用于高维数据的线性二进制分类的编码器配置器
一种分类线性代码配置器
对象是线性分类模型的编码器配置器(分类线性
)用于高维数据的二进制分类。
编码器配置器提供方便的功能来配置代码生成选项,在生成的代码中生成C / C ++代码和更新模型参数。
配置代码生成选项,并使用对象属性指定线性模型参数的编码器属性。
生成C/ c++代码预测
和更新
使用线性分类模型的功能generateCode
.生成C/ c++代码需要MATLAB®编码器™.
更新生成的C/ c++代码中的模型参数,而不需要重新生成代码。当您使用新数据或设置重新训练线性模型时,该特性减少了重新生成、重新部署和重新验证C/ c++代码所需的工作。在更新模型参数之前,请使用验证更新输入
验证并提取要更新的模型参数。
此流程图显示了使用编码器配置器的代码生成工作流。
在训练线性分类模型后,使用fitclinear
,使用以下方法为模型创建一个编码器配置器LearnerCoder配置器
.使用编码器配置器的属性指定编码器属性预测
和更新
参数。然后,用generateCode
基于指定的编码器属性生成C / C ++代码。
预测
参数属性的编码器属性预测
生成的代码中的函数参数。
X
-预测器数据的编码器属性LearnerCoderInput
目的预测器数据的编码器属性将传递给生成的C / C ++代码预测
线性分类模型的函数,指定为LearnerCoderInput
对象
使用创建编码器配置器时LearnerCoder配置器
函数,输入参数X
确定的默认值LearnerCoderInput
编码器属性:
秘诀
—默认值为输入的数组大小X
.
如果价值
的属性ObservationsIn
财产分类线性代码配置器
是'行'
那么这一点秘诀
价值是[n p]
,在那里N
对应观察数和P.
对应于预测值的数量。
如果价值
的属性ObservationsIn
财产分类线性代码配置器
是'列'
那么这一点秘诀
价值是[p n]
.
改变…的元素秘诀
(例如,改变[n p]
来[p n]
),修改价值
的属性ObservationsIn
财产分类线性代码配置器
因此。你无法修改秘诀
直接价值。
VariableDimensions
—默认值为[0 0]
,表示数组大小是固定的,如中所指定秘诀
.
您可以将此值设置为[1 0]
如果秘诀
价值是[n p]
或[0 1]
如果它是[p n]
,表示数组具有大小可变的行和大小固定的列。例如,[1 0]
指定第一个值秘诀
(N
)是行数的上限,第二个值是秘诀
(P.
)为列数。
数据类型
—取值为单
或双
。默认数据类型取决于输入的数据类型X
.
可调性
- 这个值必须是符合事实的
,意思是预测
在生成的C/ c++代码中总是包含预测器数据作为输入。
您可以使用点表示法修改编码器属性。例如,要生成接受带有三个预测变量(列)的100个观察值的预测数据的C/ c++代码,指定这些编码器属性X
用于编码器配置器配置器
:
configuration . x . sizevector = [100 3];configurer.X.DataType =“双”;configurer.X.VariableDimensions=[0];
[0 0]
表示的第一个和第二个维度X
(观察数和预测变量数分别)具有固定大小。
要允许生成的C/C++代码接受最多100个观测值的预测器数据,请指定X
:
configuration . x . sizevector = [100 3];configurer.X.DataType =“双”;configurer.X.VariableDimensions = [1 0];
[1 0]
表示的第一个维度X
(观察次数)具有可变大小和X
(预测变量的数量)有一个固定的大小。在本例中,指定的观察数(100)成为生成的C/ c++代码中允许的最大观察数。若要允许任意数量的观察,请指定范围为Inf
.
ObservationsIn
-预测数据观测维数的编码属性EnumeratedInput
目的预测器数据观察维度的编码器属性(“观测信号”
的名称-值对参数预测
),指定为EnumeratedInput
对象
使用创建编码器配置器时LearnerCoder配置器
函数,“观测信号”
名称 - 值对参数确定默认值EnumeratedInput
编码器属性:
价值
-默认值是创建编码器配置器时使用的预测器数据观察维度,指定为'行'
或'列'
.如果没有指定“观测信号”
在创建编码器配置器时,默认值为'行'
.
SelectedOption
-此值始终为'内置'
。此属性是只读的。
BuiltInOptions
- 细胞阵列'行'
和'列'
。此属性是只读的。
IsConstant
- 这个值必须是符合事实的
.
可调性
-默认值为假
如果您指定“ObservationsIn”、“行”
当创建编码器配置器时,和符合事实的
如果您指定“ObservationsIn”、“列”
.如果你设置可调性
来假
,该软件集价值
来'行'
.如果指定其他属性值可调性
是假
,该软件集可调性
来符合事实的
.
numoutput.
-输入输出数预测
要从生成的C/C++代码返回的输出参数数预测
线性分类模型的功能,指定为1或2。
的输出参数预测
是标签
(预测类标签)和分数
(分类分数),按顺序排列。预测
在生成的C/ c++代码中返回第一个N
输出的预测
功能,在哪里N
是numoutput.
价值
在创建编码器配置器之后配置器
,您可以使用点表示法指定输出的数量。
configurer.numOutputs = 2;
这numoutput.
属性等价于“-nargout”
编译器选项codegen
(MATLAB编码器).此选项指定代码生成的入口点函数中的输出参数数量。对象功能generateCode
生成两个入口点函数predict.m
和update.m
对于预测
和更新
并为这两个入口点函数生成C/ c++代码。的指定值numoutput.
属性对应于入口点函数中的输出参数数量predict.m
.
数据类型:双
更新
参数属性的编码器属性更新
生成的代码中的函数参数更新
函数接受训练过的模型和新的模型参数作为输入参数,并返回包含新参数的模型的更新版本。要启用更新生成代码中的参数,您需要在生成代码之前指定参数的编码器属性。使用一个LearnerCoderInput
对象指定每个参数的编码器属性。默认属性值基于输入参数中的模型参数Mdl
属于LearnerCoder配置器
.
贝塔
-线性预测系数的编码器属性LearnerCoderInput
目的线性预测系数的编码器属性(贝塔
的线性分类模型),指定为LearnerCoderInput
对象
默认属性值LearnerCoderInput
对象是基于输入参数的Mdl
属于LearnerCoder配置器
:
秘诀
- 这个值必须是[p 1]
,在那里P.
是中预测值的数量Mdl
.
VariableDimensions
- 这个值必须是[0 0]
,表示数组大小是固定的,如秘诀
.
数据类型
—取值为“单一”
或“双”
这个default data type is consistent with the data type of the training data you use to trainMdl
.
可调性
- 这个值必须是符合事实的
.
偏见
-编码器属性的偏差项LearnerCoderInput
目的偏差项的编码属性(偏见
的线性分类模型),指定为LearnerCoderInput
对象
默认属性值LearnerCoderInput
对象是基于输入参数的Mdl
属于LearnerCoder配置器
:
秘诀
- 这个值必须是[1]
.
VariableDimensions
- 这个值必须是[0 0]
,表示数组大小是固定的,如秘诀
.
数据类型
—取值为“单一”
或“双”
这个default data type is consistent with the data type of the training data you use to trainMdl
.
可调性
- 这个值必须是符合事实的
.
费用
-编码器属性的误分类代价LearnerCoderInput
目的分类成本的编码器属性(费用
的线性分类模型),指定为LearnerCoderInput
对象
默认属性值LearnerCoderInput
对象是基于输入参数的Mdl
属于LearnerCoder配置器
:
秘诀
- 这个值必须是(2 - 2)
.
VariableDimensions
- 这个值必须是[0 0]
,表示数组大小是固定的,如秘诀
.
数据类型
—取值为“单一”
或“双”
这个default data type is consistent with the data type of the training data you use to trainMdl
.
可调性
—默认值为符合事实的
.
先前的
-概率的编码器属性LearnerCoderInput
目的先验概率的编码属性(先前的
的线性分类模型),指定为LearnerCoderInput
对象
默认属性值LearnerCoderInput
对象是基于输入参数的Mdl
属于LearnerCoder配置器
:
秘诀
- 这个值必须是(1 2)
.
VariableDimensions
- 这个值必须是[0 0]
,表示数组大小是固定的,如秘诀
.
数据类型
—取值为“单一”
或“双”
这个default data type is consistent with the data type of the training data you use to trainMdl
.
可调性
—默认值为符合事实的
.
outputfilename.
-生成的C/ c++代码的文件名“分类线性模型”
(默认)|特征向量生成的C/ c++代码的文件名,指定为字符向量。
对象功能generateCode
属于分类线性代码配置器
使用此文件名生成C/ c++代码。
文件名不能包含空格,因为在某些操作系统配置中,空格可能导致代码生成失败。此外,名称必须是有效的MATLAB函数名。
在创建编码器配置器之后配置器
,可以使用点表示法指定文件名。
configurer.OutputFileName=“我的模型”;
数据类型:字符
详细的
-详细程度符合事实的
(逻辑1)(默认)|假
(逻辑0)详细级别,指定为符合事实的
(逻辑1)或假
(逻辑0)。详细级别控制命令行处的通知消息的显示。
价值 | 描述 |
---|---|
符合事实的 (逻辑1) |
当您对参数的编码器属性的更改导致其他相关参数的更改时,该软件将显示通知消息。 |
假 (逻辑0) |
该软件不显示通知消息。 |
要在生成的代码中启用更新机器学习模型参数,需要在生成代码之前配置参数的编码器属性。参数的编码属性彼此依赖,因此软件将依赖关系存储为配置约束。如果您使用编码器配置器修改参数的编码器属性,并且该修改需要随后更改其他相关参数以满足配置约束,则软件将更改相关参数的编码器属性。详细级别决定软件是否为这些后续更改显示通知消息。
在创建编码器配置器之后配置器
,您可以使用点表示法修改详细程度。
配置。详细的= false;
数据类型:逻辑
要自定义代码生成工作流,请使用生成菲尔斯
功能和以下三个属性codegen
(MATLAB编码器),而不是使用generateCode
函数。
生成两个入口点函数文件后(predict.m
和update.m
)通过使用生成菲尔斯
函数,您可以根据代码生成工作流修改这些文件。例如,可以修改predict.m
文件要包含数据预处理,或者您可以将这些入口函数添加到另一个代码生成项目。然后,您可以通过使用C / C ++代码来生成C / C ++代码codegen
(MATLAB编码器)功能与功能codegen
适合于修改的入口点函数或代码生成项目的参数。使用本节中描述的三个属性作为起点来设置codegen
参数。
CodeGenerationArguments
-codegen
论据此属性是只读的。
codegen
(MATLAB编码器)参数,指定为单元格数组。
此属性使您可以自定义代码生成工作流程。使用generateCode
如果不需要自定义工作流,则可以使用此函数。
而不是使用generateCode
使用编码器配置器配置器
,你可以生成C/ c++代码如下:
generatefiles(configurer)cgargs = configurer.codegeNerationArguments;Codegen(CGARGS {:})
cgArgs
在打电话之前codegen
.
修改的其他属性配置器
,则软件更新CodeGenerationArguments
相应的财产。
数据类型:细胞
updateInputs.
-的可调参数列表更新
编码原语类型
对象generateCode |
使用编码器配置程序生成C / C ++代码 |
生成菲尔斯 |
生成MATLAB使用编码器配置程序的代码生成文件 |
验证更新输入 |
验证并提取机器学习模型参数进行更新 |
训练一个机器学习模型,然后生成代码预测
和更新
通过使用编码器配置器来实现模型的功能。
加载电离层
数据集,并训练一个二元线性分类模型。传递转置的预测矩阵Xnew
来fitclinear
,并使用“观测信号”
的列的名称-值对参数指定Xnew
对应于观测。
负载电离层Xnew=X';Mdl=fitclinear(Xnew,Y,“观测信号”那'列');
Mdl
是一个分类线性
对象
控件创建一个编码器配置器分类线性
模型通过使用LearnerCoder配置器
.指定预测器数据Xnew
,并使用“观测信号”
的名称-值对参数,以指定的观察维度Xnew
这个LearnerCoder配置器
函数使用这些输入参数配置相应的输入参数的编码器属性预测
.
配置= learnerCoderConfigurer (Mdl Xnew,“观测信号”那'列')
配置器=具有属性的ClassificationLinearCodeConfiguration:更新输入:Beta:[1x1 LearnerCoderInput]偏差:[1x1 LearnerCoderInput]优先级:[1x1 LearnerCoderInput]成本:[1x1 LearnerCoderInput]预测输入:X:[1x1 LearnerCoderInput]观测值In:[1x1 EnumeratedInput]代码生成参数:NumOutputs:1 OutputFileName:“ClassificationLinearModel”属性、方法
配置器
是一个分类线性代码配置器
对象的编码配置器分类线性
对象
要生成C/C++代码,您必须能够访问正确配置的C/C++编译器。MATLAB Coder查找并使用受支持的已安装编译器。您可以使用金宝app墨西哥
设置
查看和更改默认编译器。有关详细信息,请参见更改默认编译器.
为此生成代码预测
和更新
线性分类模型的功能(Mdl
)。
生成代码(配置器)
generateCode在输出文件夹中创建这些文件:米”、“预测。米”、“更新。米”、“ClassificationLinearModel。代码生成成功。
这generateCode
函数完成这些动作:
生成MATLAB文件所需的生成代码,包括两个入口点函数predict.m
和update.m
对于预测
和更新
的功能Mdl
, 分别。
创建一个名为ClassificationLinearModel
对于两个入口点函数。
创建MEX函数的代码codegen\mex\ClassificationLinearModel
文件夹中。
将MEX函数复制到当前文件夹。
显示的内容predict.m
那update.m
和初始化.m
文件,使用类型
函数。
类型predict.m
函数varargout=predict(X,varargin)%#codegen%由MATLAB自动生成,2021年9月1日14:41:50[varargout{1:nargout}]=initialize('predict',X,varargin{:});结束
类型update.m
function update(varargin) %#codegen % Autogenerated by MATLAB, 01- 9 -2021 14:41:50 initialize('update',varargin{:});结束
类型初始化.m
function [varargout] = initialize(command,varargin) %#codegen % Autogenerated by MATLAB, 01- 9 -2021 14:41:50 code .inline('always') persistent model if isempty(model) model = loadLearnerForCoder('ClassificationLinearModel.mat');end switch(command) case 'update' % update struct fields: Beta % Bias % Prior % Cost model = update(model,varargin{:});case 'predict' %预测输入:X, ObservationsIn X = varargin{1};if nargout == 2 [varargout{1:nargout}] = predict(model,X);else PVPairs = cell(1,nargin-2);for i = 1:nargin-2 PVPairs{1,i} = varargin{i+1};end [varargout{1:nargout}] = predict(model,X,PVPairs{:});结束结束结束
使用部分数据集训练线性分类模型,并为模型创建编码器配置器。使用编码器配置器的属性来指定线性模型参数的编码器属性。使用编码器配置器的对象函数生成C代码,用于预测新的预测数据的标签。然后使用整个数据集重新训练模型,并在不重新生成代码的情况下更新生成代码中的参数。
列车模型
加载电离层
数据集。这个数据集有34个预测器和351个雷达回波的二进制响应,或者是坏的(“b”
)还是好(‘g’
)。使用一半的观察来培训二进制线性分类模型。转换预测器数据,并使用“观测信号”
的列的名称-值对参数指定XTrain
对应于观测。
负载电离层rng(“默认”)%的再现性n=长度(Y);c=分区(Y,“坚持”,0.5);Idxtrain =培训(C,1);xtrain = x(idxtrain,:)';YTrain = Y(IDxtrain);mdl = fitClinear(Xtrain,Ytrain,“观测信号”那'列');
Mdl
是一个分类线性
对象
创建编码器配置
控件创建一个编码器配置器分类线性
模型通过使用LearnerCoder配置器
.指定预测器数据XTrain
,并使用“观测信号”
的名称-值对参数,以指定的观察维度XTrain
这个LearnerCoder配置器
函数使用这些输入参数配置相应的输入参数的编码器属性预测
.此外,将输出的数量设置为2,以便生成的代码返回预测的标签和分数。
配置= learnerCoderConfigurer (Mdl XTrain,“观测信号”那'列'那“NumOutputs”2);
配置器
是一个分类线性代码配置器
对象的编码配置器分类线性
对象
指定参数的编码器属性
指定线性分类模型参数的编码器属性,以便在再培训模型后更新生成的代码中的参数。此示例指定要传递给生成的代码的预测器数据的编码器属性。
指定代码的编码器属性X
的属性配置器
这样生成的代码就可以接受任意数量的观察。修改秘诀
和VariableDimensions
属性。这秘诀
属性指定预测器数据大小的上限,而VariableDimensions
属性指定预测器数据的每个维度是否具有可变大小或固定大小。
configurer.X.SizeVector=[34 Inf];configurer.X.VariableDimensions
ans =1x2逻辑阵列0 1
第一维度的大小是预测变量的数量。必须为机器学习模型固定此值。因为预测器数据包含34个预测因子,所以秘诀
属性的值必须为34VariableDimensions
属性必须是0.
.
第二个维度的大小是观察的次数。的值秘诀
属性来Inf
使软件更改VariableDimensions
属性来1
.换句话说,大小的上限是Inf
它的大小是可变的,这意味着预测数据可以有任意数量的观测数据。如果您在生成代码时不知道观察的数量,那么这个规范很方便。
尺寸的顺序秘诀
和VariableDimensions
取决于的编码器属性ObservationsIn
.
configur.observationsin.
ans = EnumeratedInput带有属性:Value: 'columns' SelectedOption: ' built ' BuiltInOptions: {'rows' 'columns'} IsConstant: 1可调性:1
当价值
的属性ObservationsIn
财产是'列'
的第一个维度秘诀
和VariableDimensions
的属性X
对应于预测器的数量,第二维度对应于观测值的数量价值
的属性ObservationsIn
是'行'
,维度的顺序被交换了。
生成代码
要生成C/C++代码,您必须能够访问正确配置的C/C++编译器。MATLAB Coder查找并使用受支持的已安装编译器。您可以使用金宝app墨西哥
设置
查看和更改默认编译器。有关详细信息,请参见更改默认编译器.
为此生成代码预测
和更新
线性分类模型的功能(Mdl
)。
生成代码(配置器)
generateCode在输出文件夹中创建这些文件:米”、“预测。米”、“更新。米”、“ClassificationLinearModel。代码生成成功。
这generateCode
函数完成这些动作:
生成MATLAB文件所需的生成代码,包括两个入口点函数predict.m
和update.m
对于预测
和更新
的功能Mdl
, 分别。
创建一个名为ClassificationLinearModel
对于两个入口点函数。
创建MEX函数的代码codegen\mex\ClassificationLinearModel
文件夹中。
将MEX函数复制到当前文件夹。
验证生成的代码
通过一些预测数据来验证是否预测
的函数Mdl
和预测
函数中返回相同的标签。要在具有多个入口点的MEX函数中调用入口点函数,请将函数名指定为第一个输入参数。
[标签,分数] =预测(MDL,XTrain,“观测信号”那'列');[label_mex,score_mex] = classificedlinearmodel(“预测”,XTrain,“观测信号”那'列');
比较标签
和标签
通过使用是平等的
.
label_mex isequal(标签)
ans =逻辑1
是平等的
返回逻辑1(符合事实的
),如果所有输入相等。比较证实了预测
的函数Mdl
和预测
函数中返回相同的标签。
比较分数
和得分_mex.
.
max(abs(score-score_mex),[],“所有”)
ans = 0
一般来说,得分_mex.
可能包括舍入差异与分数
.在本例中,比较证实了这一点分数
和得分_mex.
是相等的。
重新训练模型并更新生成代码中的参数
使用整个数据集重新培训模型。
retrainedMdl = fitclinear (X, Y)“观测信号”那'列');
使用提取要更新的参数验证更新输入
.该函数检测修改后的模型参数retrainedMdl
并验证修改后的参数值是否满足参数的编码器属性。
params = validatedUpdateInputs(配置、retrainedMdl);
更新生成代码中的参数。
ClassificationLinearModel (“更新”params)
验证生成的代码
比较来自预测
的函数retrainedMdl
和预测
函数。
(标签,分数)=预测(retrainedMdl X ',“观测信号”那'列');[label_mex,score_mex] = classificedlinearmodel(“预测”X ',“观测信号”那'列');label_mex isequal(标签)
ans =逻辑1
max(abs(score-score_mex),[],“所有”)
ans = 0
比较证实了标签
和标签
是相等的,并且得分值是相等的。
LearnerCoderInput
对象编码器配置器使用LearnerCoderInput
对象的编码器属性预测
和更新
输入参数。
一种LearnerCoderInput
对象具有以下属性,以在生成的代码中指定输入参数数组的属性。
属性名 | 描述 |
---|---|
秘诀 |
如果对应的 数组大小的上界,如果对应 |
VariableDimensions |
指示符,指定数组的每个维度是具有可变大小还是固定大小,指定为
|
数据类型 |
数组的数据类型 |
可调性 |
指示是否的指示符 如果指定其他属性值 |
在创建编码器配置器之后,您可以使用点表示法修改编码器属性。例如,指定偏差项的数据类型偏见
编码器和配置器的配置配置器
:
configurer.Bias.DataType=“单一”;
详细的
),符合事实的
(默认值),当您修改机器学习模型参数的编码器属性时,软件会显示通知消息,而修改会改变其他相关参数的编码器属性。
EnumeratedInput
对象编码器配置器使用EnumeratedInput
对象的编码器属性预测
输入参数,具有有限的可用值集。
一个EnumeratedInput
对象具有以下属性,以在生成的代码中指定输入参数数组的属性。
属性名 | 描述 |
---|---|
价值 |
价值
的默认值 |
SelectedOption |
所选选项的状态,指定为
此属性是只读的。 |
BuiltInOptions |
对应的可用字符向量的列表 此属性是只读的。 |
IsConstant |
指示符,指定数组值是否为编译时常量( 如果将此值设置为 |
可调性 |
指示是否的指示符 如果指定其他属性值 |
在创建编码器配置器之后,您可以使用点表示法修改编码器属性。例如,指定编码器属性ObservationsIn
编码器和配置器的配置配置器
:
configurer.ObservationsIn.Value ='列';
你点击一个链接对应于这个MATLAB命令:
通过在MATLAB命令窗口中输入命令来运行命令。Web浏览器不支持MATLAB命令。金宝app
您还可以从以下列表中选择网站:
选择中国网站(以中文或英文)以获取最佳网站性能。其他MathWorks国家网站未优化您的位置。