验证并提取机器学习模型参数进行更新
生成C/ c++代码预测
和更新
通过使用编码器配置器对象实现机器学习模型的功能。使用learnerCoderConfigurer
和它的目标函数generateCode
。使用新数据或设置重新训练模型后,您可以在生成的代码中更新模型参数,而无需重新生成代码。使用validatedUpdateInputs
验证并提取要更新的模型参数。此函数可帮助您在更新生成代码中的模型参数之前识别潜在问题。您可以使用validatedUpdateInputs
的输入参数更新
函数更新模型参数。
此流程图显示了使用编码器配置器的代码生成工作流。使用validatedUpdateInputs
为突出显示的步骤。
使用部分数据集训练支持向量机模型,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支持向量机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。
火车模型
加载电离层
数据集。该数据集有34个预测器和351个雷达返回的二进制响应,或坏(“b”
)或好(‘g’
).使用前50个观测值训练二值支持向量机分类模型。
负载电离层Mdl = fitcsvm (X (1:50:), Y (1:50));
Mdl
是一个ClassificationSVM
对象。
创建编码器配置
控件创建一个编码器配置器ClassificationSVM
利用learnerCoderConfigurer
.指定预测器数据X
.的learnerCoderConfigurer
函数使用输入X
要配置的编码器属性,请执行以下操作:预测
函数的输入。另外,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。
configurer=learnercoderconfiguer(Mdl,X(1:50,:),“NumOutputs”,2);
配置
是一个分类VMCoderConfiguration
对象的编码配置器ClassificationSVM
对象。
指定参数的编码器属性
指定SVM分类模型参数的编码器属性,以便在重新训练模型后更新生成代码中的参数。此示例指定要传递给生成代码的预测器数据的编码器属性,以及支持向量机模型的支持向量的编码器属性。金宝app
首先,指定的编码器属性X
这样生成的代码就可以接受任意数量的观察结果。修改SizeVector
和VariableDimensions
属性。的SizeVector
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具有可变大小还是固定大小。
configuration . x . sizevector = [Inf 34];configurer.X.VariableDimensions = [true false];
第一个维度的大小是观察数。在这种情况下,代码指定大小的上限为正
大小是可变的,也就是说X
可以有任意数量的观察结果。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。
第二个维度的大小是预测变量的数量。对于机器学习模型,该值必须是固定的。X
包含34个预测器,因此SizeVector
属性的值必须为34VariableDimensions
属性必须错误的
.
如果使用新数据或不同设置重新训练SVM模型,则支持向量的数量可能会有所不同。因此,请指定的编码器属性金宝app金宝appSupportVectors
这样您就可以更新生成代码中的支持向量。金宝app
configurati金宝appon . supportvectors . sizevector = [250 34];
Alpha的SizeVector属性已被修改以满足配置约束。修改了SupportVectorLabels的Si金宝appzeVector属性以满足配置约束。
configurer.金宝appSupportVectors.VariableDimensions = [true false];
Alpha的VariableDimensions属性已修改以满足配置约束。SupportVectorLabels的VariableDimensions属性已修改以满足配置约束。金宝app
的编码器属性金宝appSupportVectors
,然后软件修改的编码器属性α
和金宝app支持向量标签
以满足配置约束。如果修改一个参数的编码器属性需要随后更改其他相关参数以满足配置约束,则软件更改相关参数的编码器属性。
生成代码
要生成C/ c++代码,您必须访问配置正确的C/ c++编译器。MATLAB编码器定位并使用一个受支持的、安装的编译器。金宝app你可以用墨西哥人
-设置
查看和更改默认编译器。有关详细信息,请参阅改变默认的编译器.
使用generateCode
生成的代码预测
和更新
SVM分类模型的函数(Mdl
)的默认设置。
generateCode(配置)
generateCode在输出文件夹中创建这些文件:米”、“预测。米”、“更新。米”、“ClassificationSVMModel。代码生成成功。
generateCode
生成生成代码所需的MATLAB文件,包括两个入口点函数predict.m
和update.m
为预测
和更新
的功能Mdl
,分别。然后generateCode
创建一个名为ClassificationSVMModel
的两个入口点函数codegen \墨西哥人\ ClassificationSVMModel
文件夹并将MEX函数复制到当前文件夹。
验证生成的代码
传递一些预测数据以验证预测
功能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,得分]=预测(Mdl,X);[标签、分数]=分类VMModel(“预测”, X);
比较标签
和label_mex
利用isequal
.
label_mex isequal(标签)
ans=逻辑1
isequal
返回逻辑1 (真正的
),如果所有输入相等。比较证实了预测
功能Mdl
和预测
函数中返回相同的标签。
score_mex
可能包括舍入差异与分数
.在这种情况下,比较score_mex
和分数
,允许有一个小的公差。
找到(abs (score-score_mex) > 1 e-8)
Ans = 0x1空双列向量
对比证实了分数
和score_mex
在公差内是相等的吗1 e-8
.
在生成的代码中重新训练模型和更新参数
使用整个数据集重新训练模型。
retrainedMdl = fitcsvm (X, Y);
使用提取要更新的参数validatedUpdateInputs
.该函数检测修改后的模型参数再培训DMDL
并验证修改后的参数值是否满足参数的编码器属性。
params=ValidateUpdateInputs(配置器、重新训练的DMDL);
更新生成代码中的参数。
ClassificationSVMModel (“更新”params)
验证生成的代码
的输出比较预测
功能再培训DMDL
和预测
更新的MEX函数中的函数。
[标签,得分]=预测(再培训DMDL,X);[标签、分数]=分类VMModel(“预测”, X);label_mex isequal(标签)
ans=逻辑1
找到(abs (score-score_mex) > 1 e-8)
Ans = 0x1空双列向量
对比证实了标签
和labels_mex
是相等的,并且在容忍范围内得分值是相等的。
使用支持向量机二进制学习器训练纠错输出码(ECOC)模型,并为该模型创建编码器配置器。使用编码器配置器的属性来指定ECOC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。然后使用不同的设置重新训练模型,并在不重新生成代码的情况下更新生成代码中的参数。
火车模型
载入费雪的虹膜数据集。
负载鱼腥草X =量;Y =物种;
创建一个支持向量机二元学习模板,使用高斯核函数和标准化预测数据。
t = templateSVM (“KernelFunction”,“高斯”,“标准化”,真正的);
使用模板训练一个多类ECOC模型t
.
Mdl = fitcecoc (X, Y,“学习者”,t);
Mdl
是一个分类
对象。
创建编码器配置
控件创建一个编码器配置器分类
利用learnerCoderConfigurer
.指定预测器数据X
.的learnerCoderConfigurer
函数使用输入X
要配置的编码器属性,请执行以下操作:预测
函数的输入。此外,将输出的数量设置为2,以便生成的代码返回预测
函数,它是预测的标号和负的平均二进制损耗。
配置= learnerCoderConfigurer (Mdl X,“NumOutputs”, 2)
配置= ClassificationECOCCoderConfigurer属性:更新输入:BinaryLearners:之前[1 x1 ClassificationSVMCoderConfigurer]: [1 x1 LearnerCoderInput]成本:[1 x1 LearnerCoderInput]预测输入:X: [1 x1 LearnerCoderInput]代码生成参数:NumOutputs: 2 OutputFileName:“ClassificationECOCModel”属性,方法
配置
是一个ClassificationECOCCoderConfigurer
对象的编码配置器分类
对象。的可调参数预测
和更新
:X
,二元收入者
,之前
,成本
.
指定参数的编码器属性
的编码器属性预测
参数(预测器数据和名称-值对参数)“解码”
和“BinaryLoss”
),更新
参数(SVM学习器的支金宝app持向量),以便您可以使用这些参数作为的输入参数预测
和更新
在生成的代码中。
首先,指定的编码器属性X
这样生成的代码就可以接受任意数量的观察结果。修改SizeVector
和VariableDimensions
属性。的SizeVector
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具有可变大小还是固定大小。
[Inf 4];configurer.X.VariableDimensions = [true false];
第一个维度的大小是观察数。在这种情况下,代码指定大小的上限为正
大小是可变的,也就是说X
可以有任意数量的观察结果。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。
第二个维度的大小是预测变量的数量。对于机器学习模型,该值必须是固定的。X
包含4个预测器,因此SizeVector
属性的第二个值必须为4VariableDimensions
属性必须错误的
.
接下来,修改的编码器属性BinaryLoss
和解码
使用“BinaryLoss”
和“解码”
生成的代码中的名称-值对参数。的编码属性BinaryLoss
.
配置。BinaryLoss
ans = EnumeratedInput与属性:值:'hinge' SelectedOption: ' built ' BuiltInOptions: {1x7 cell} IsConstant: 1可调性:0
若要在生成的代码中使用非默认值,必须在生成代码之前指定该值。指定价值
的属性BinaryLoss
作为“指数”
.
configurer.BinaryLoss.Value =“指数”;配置。BinaryLoss
ans = EnumeratedInput与属性:值:'指数' SelectedOption: '内置' BuiltInOptions: {1x7 cell} IsConstant: 1可调性:1
当修改属性值时可调谐性
是错误的
(逻辑0),软件设置可调谐性
来真正的
(逻辑1)。
的编码属性解码
.
配置。解码
ans = EnumeratedInput与属性:值:' lossweights ' SelectedOption: ' built ' BuiltInOptions: {' lossweights ' ' losssbased '} IsConstant: 1可调性:0
指定IsConstant
的属性解码
作为错误的
以便使用。中的所有可用值建筑物
在生成的代码中。
configurer.Decoding.IsConstant = false;配置。解码
ans = EnumeratedInput的属性:值:[1x1 LearnerCoderInput] SelectedOption: 'NonConstant' BuiltInOptions: {' lossweightight ' ' losssbased '} IsConstant: 0可调性:1
软件改变了价值
的属性解码
到一个LearnerCoderInput
对象,以便两者都可以使用“迷失方向”
和“lossbased
的价值“解码”
.此外,软件设置SelectedOption
来“非恒定”
和可调谐性
来真正的
.
最后,修改的编码器属性金宝appSupportVectors
在里面二元收入者
.显示的编码器属性金宝appSupportVectors
.
configurer.BinaryLearners.金宝appSupportVectors
ans = LearnerCoderInput带有属性:SizeVector: [54 4] VariableDimensions: [1 0] DataType: 'double'可调性:1
的默认值VariableDimensions
是(真假)
因为每个学习者都有不同数量的支持向量。如果使用新数据或不同设置重新训练ECOC模型,SVM学习金宝app器中的支持向量数量可能会有所不同。因此,增加支持向量数量的上限。
configurer.BinaryLearners.金宝appSupportVectors.SizeVector = [150 4];
Alpha的SizeVector属性已被修改以满足配置约束。修改了SupportVectorLabels的Si金宝appzeVector属性以满足配置约束。
的编码器属性金宝appSupportVectors
,然后软件修改的编码器属性α
和金宝app支持向量标签
以满足配置约束。如果修改一个参数的编码器属性需要随后更改其他相关参数以满足配置约束,则软件更改相关参数的编码器属性。
显示编码器配置器。
配置
配置= ClassificationECOCCoderConfigurer属性:更新输入:BinaryLearners:之前[1 x1 ClassificationSVMCoderConfigurer]: [1 x1 LearnerCoderInput]成本:[1 x1 LearnerCoderInput]预测输入:X: [1 x1 LearnerCoderInput] BinaryLoss: [1 x1 EnumeratedInput]解码:[1 x1 EnumeratedInput]代码生成参数:NumOutputs:2 OutputFileName: 'ClassificationECOCModel'属性,方法
现在显示包括BinaryLoss
和解码
也
生成代码
要生成C/ c++代码,您必须访问配置正确的C/ c++编译器。MATLAB编码器定位并使用一个受支持的、安装的编译器。金宝app你可以用墨西哥人
-设置
查看和更改默认编译器。有关详细信息,请参阅改变默认的编译器.
为预测
和更新
ECOC分类模式的功能(Mdl
).
generateCode(配置)
generateCode在输出文件夹中创建这些文件:米”、“预测。米”、“更新。米”、“ClassificationECOCModel。代码生成成功。
的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
为预测
和更新
的功能Mdl
,分别。
创建一个名为ClassificationECOCModel
对于两个入口点函数。
控件中创建MEX函数的代码codegen \墨西哥人\ ClassificationECOCModel
文件夹中。
将MEX函数复制到当前文件夹。
验证生成的代码
传递一些预测数据以验证预测
功能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。因为你指定的“解码”
通过更改IsConstant
属性在生成代码之前,您还需要在对MEX函数的调用中指定它,即使如此“迷失方向”
默认值是“解码”
.
[标签,NegLoss] =预测(Mdl X,“BinaryLoss”,“指数”);[label_mex, NegLoss_mex] = ClassificationECOCModel (“预测”, X,“BinaryLoss”,“指数”,“解码”,“迷失方向”);
比较标签
来label_mex
利用isequal
.
label_mex isequal(标签)
ans=逻辑1
isequal
返回逻辑1 (真正的
),如果所有输入相等。比较证实了预测
功能Mdl
和预测
函数中返回相同的标签。
NegLoss_mex
可能包括与内格罗斯
.在这种情况下,比较NegLoss_mex
来内格罗斯
,允许有一个小的公差。
找到(abs (NegLoss-NegLoss_mex) > 1 e-8)
Ans = 0x1空双列向量
对比证实了内格罗斯
和NegLoss_mex
在公差内是相等的吗1 e-8
.
在生成的代码中重新训练模型和更新参数
使用不同的设置重新训练模型。指定“KernelScale”
作为“汽车”
因此,该软件采用启发式的方法选择合适的比例因子。
t_new = templateSVM (“KernelFunction”,“高斯”,“标准化”,真的,“KernelScale”,“汽车”);retrainedMdl = fitcecoc (X, Y,“学习者”, t_new);
使用提取要更新的参数validatedUpdateInputs
.该函数检测修改后的模型参数再培训DMDL
并验证修改后的参数值是否满足参数的编码器属性。
params=ValidateUpdateInputs(配置器、重新训练的DMDL);
更新生成代码中的参数。
分类模型(“更新”params)
验证生成的代码
的输出比较预测
功能再培训DMDL
的输出预测
更新的MEX函数中的函数。
[标签,NegLoss] =预测(retrainedMdl X,“BinaryLoss”,“指数”,“解码”,“lossbased”);[label_mex, NegLoss_mex] = ClassificationECOCModel (“预测”, X,“BinaryLoss”,“指数”,“解码”,“lossbased”);label_mex isequal(标签)
ans=逻辑1
找到(abs (NegLoss-NegLoss_mex) > 1 e-8)
Ans = 0x1空双列向量
对比证实了标签
和label_mex
是相等的,内格罗斯
和NegLoss_mex
在公差范围内是相等的。
使用部分数据集训金宝app练支持向量机(SVM)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支持向量机模型参数的编码器属性。使用编码器配置器的对象函数来生成C代码,用于预测新的预测器数据的响应。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。
火车模型
加载carsmall
数据集和训练支持向量机回归模型使用前50个观察。
负载carsmallX =(功率、重量);Y = MPG;Mdl = fitrsvm (X (1:50:), Y (1:50));
Mdl
是一个RegressionSVM
对象。
创建编码器配置
控件创建一个编码器配置器RegressionSVM
利用learnerCoderConfigurer
.指定预测器数据X
.的learnerCoderConfigurer
函数使用输入X
要配置的编码器属性,请执行以下操作:预测
函数的输入。
配置= learnerCoderConfigurer (Mdl X (1:50,:));
配置
是一个回归VMCoderConfigure
对象的编码配置器RegressionSVM
对象。
指定参数的编码器属性
指定支持向量机回归模型参数的编码器属性,以便您可以在重新训练模型后更新生成代码中的参数。此示例指定要传递给生成代码的预测器数据的编码器属性,以及支持向量机回归模型的支持向量的编码器属性。金宝app
首先,指定的编码器属性X
这样生成的代码就可以接受任意数量的观察结果。修改SizeVector
和VariableDimensions
属性。的SizeVector
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具有可变大小还是固定大小。
configurer.X.SizeVector=[Inf 2];configurer.X.VariableDimensions=[true-false];
第一个维度的大小是观察数。在这种情况下,代码指定大小的上限为正
大小是可变的,也就是说X
可以有任意数量的观察结果。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。
第二个维度的大小是预测变量的数量。对于机器学习模型,该值必须是固定的。X
包含两个预测器,因此SizeVector
属性的值必须为2VariableDimensions
属性必须错误的
.
如果使用新数据或不同设置重新训练SVM模型,则支持向量的数量可能会有所不同。因此,请指定的编码器属性金宝app金宝appSupportVectors
这样您就可以更新生成代码中的支持向量。金宝app
configurati金宝appon . supportvectors . sizevector = [250 2];
Alpha的SizeVector属性已被修改以满足配置约束。
configurer.金宝appSupportVectors.VariableDimensions = [true false];
已修改Alpha的VariableDimensions属性以满足配置约束。
的编码器属性金宝appSupportVectors
,然后软件修改的编码器属性α
以满足配置约束。如果修改一个参数的编码器属性需要随后更改其他相关参数以满足配置约束,则软件更改相关参数的编码器属性。
生成代码
要生成C/ c++代码,您必须访问配置正确的C/ c++编译器。MATLAB编码器定位并使用一个受支持的、安装的编译器。金宝app你可以用墨西哥人
-设置
查看和更改默认编译器。有关详细信息,请参阅改变默认的编译器.
使用generateCode
生成的代码预测
和更新
支持向量机回归模型(Mdl
)的默认设置。
generateCode(配置)
generateCode在输出文件夹中创建这些文件:米”、“预测。米”、“更新。米”、“RegressionSVMModel。代码生成成功。
generateCode
生成生成代码所需的MATLAB文件,包括两个入口点函数predict.m
和update.m
为预测
和更新
的功能Mdl
,分别。然后generateCode
创建一个名为RegressionSVMModel
的两个入口点函数codegen\mex\RegressionSVMModel
文件夹并将MEX函数复制到当前文件夹。
验证生成的代码
传递一些预测数据以验证预测
功能Mdl
和预测
函数返回相同的预测响应。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。
yfit =预测(Mdl X);yfit_mex = RegressionSVMModel (“预测”, X);
yfit_mex
可能包括舍入差异与yfit
.在这种情况下,比较yfit
和yfit_mex
,允许有一个小的公差。
找到(abs (yfit-yfit_mex) > 1 e-6)
Ans = 0x1空双列向量
对比证实了yfit
和yfit_mex
在公差内是相等的吗1 e-6
.
在生成的代码中重新训练模型和更新参数
使用整个数据集重新训练模型。
retrainedMdl = fitrsvm (X, Y);
使用提取要更新的参数validatedUpdateInputs
.该函数检测修改后的模型参数再培训DMDL
并验证修改后的参数值是否满足参数的编码器属性。
params=ValidateUpdateInputs(配置器、重新训练的DMDL);
更新生成代码中的参数。
RegressionSVMModel (“更新”params)
验证生成的代码
的输出比较预测
功能再培训DMDL
和预测
更新的MEX函数中的函数。
yfit=预测(再培训DMDL,X);yfit\u mex=回归VMModel(“预测”, X);找到(abs (yfit-yfit_mex) > 1 e-6)
Ans = 0x1空双列向量
对比证实了yfit
和yfit_mex
在公差内是相等的吗1 e-6
.
使用部分数据集训练回归树,并为模型创建编码器配置器。使用编码器配置器的属性指定模型参数的编码器属性。使用编码器配置器的目标函数生成预测新预测器数据响应的C代码。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。
火车模型
加载carbig
数据集,并训练回归树模型使用一半的观察。
负载carbigX=[排量马力重量];Y=MPG;rng(“默认”)%的再现性n=长度(Y);idxTrain=随机样本(n,n/2);XTrain=X(idxTrain,:);YTrain=Y(idxTrain);Mdl=FirtTree(XTrain,YTrain);
Mdl
是一个RegressionTree
对象。
创建编码器配置
控件创建一个编码器配置器RegressionTree
利用learnerCoderConfigurer
.指定预测器数据XTrain
.的learnerCoderConfigurer
函数使用输入XTrain
要配置的编码器属性,请执行以下操作:预测
函数的输入。另外,将输出的数量设置为2,以便生成的代码返回预测的响应和预测的节点号。
配置= learnerCoderConfigurer (Mdl XTrain,“NumOutputs”,2);
配置
是一个回归树配置器
对象的编码配置器RegressionTree
对象。
指定参数的编码器属性
指定回归树模型参数的编码器属性,以便您可以在重新训练模型后更新生成代码中的参数。
属性的编码器属性X
性质配置
这样生成的代码就可以接受任意数量的观察结果。修改SizeVector
和VariableDimensions
属性。的SizeVector
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具有可变大小还是固定大小。
[Inf 3];configurer.X.VariableDimensions
ans=1 x2逻辑阵列1 0
第一个维度的大小是观测的次数。的值SizeVector
把某事归因于某人正
导致软件修改VariableDimensions
把某事归因于某人1
. 换句话说,大小的上限是正
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。
第二个维度的大小是预测变量的数量。对于机器学习模型,此值必须固定。由于预测器数据包含3个预测器,因此SizeVector
属性必须3.
以及VariableDimensions
属性必须0
.
如果使用新的数据或不同的设置重新训练树模型,树中的节点数量可能会有所不同。因此,指定的第一个维度SizeVector
属性,以便更新生成的代码中的节点数量:孩子们
,割点
,CutPredictorIndex
,或NodeMean
.然后软件会自动修改其他属性。
的第一个值SizeVector
的属性NodeMean
财产正
.软件修改SizeVector
和VariableDimensions
属性孩子们
,割点
,CutPredictorIndex
以匹配树中节点数目的新上限。的第一个值VariableDimensions
的属性NodeMean
更改1
.
[Inf 1];
修改了Children的sizeevector属性以满足配置约束。CutPoint的SizeVector属性已被修改以满足配置约束。CutPredictorIndex的SizeVector属性已被修改以满足配置约束。已修改Children的VariableDimensions属性以满足配置约束。已修改CutPoint的VariableDimensions属性以满足配置约束。已修改CutPredictorIndex的VariableDimensions属性以满足配置约束。
configurer.NodeMean.VariableDimensions
ans=1 x2逻辑阵列1 0
生成代码
要生成C/ c++代码,您必须访问配置正确的C/ c++编译器。MATLAB编码器定位并使用一个受支持的、安装的编译器。金宝app你可以用墨西哥人
-设置
查看和更改默认编译器。有关详细信息,请参阅改变默认的编译器.
为预测
和更新
回归树模型的功能(Mdl
).
generateCode(配置)
generateCode在输出文件夹中创建这些文件:米”、“预测。米”、“更新。米”、“RegressionTreeModel。代码生成成功。
的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
为预测
和更新
的功能Mdl
,分别。
创建一个名为RegressionTreeModel
对于两个入口点函数。
控件中创建MEX函数的代码codegen\mex\RegressionTreeModel
文件夹中。
将MEX函数复制到当前文件夹。
验证生成的代码
传递一些预测数据以验证预测
功能Mdl
和预测
函数返回相同的预测响应。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。
[Yfit、节点]=预测(Mdl XTrain);[Yfit_mex, node_mex] = RegressionTreeModel (“预测”,XTrain);
比较伊菲特
来Yfit_mex
和节点
来node_mex
.
马克斯(abs (Yfit-Yfit_mex), [],“全部”)
ans = 0
node_mex isequal(节点)
ans=逻辑1
一般来说Yfit_mex
可能包括与伊菲特
.在本例中,比较证实了这一点伊菲特
和Yfit_mex
是相等的。
isequal
返回逻辑1 (真正的
),如果所有输入参数相等。比较证实了预测
功能Mdl
和预测
MEX函数中的函数返回相同的节点号。
在生成的代码中重新训练模型和更新参数
使用整个数据集重新训练模型。
retrainedMdl = fitrtree (X, Y);
使用提取要更新的参数validatedUpdateInputs
.该函数检测修改后的模型参数再培训DMDL
并验证修改后的参数值是否满足参数的编码器属性。
params=ValidateUpdateInputs(配置器、重新训练的DMDL);
更新生成代码中的参数。
RegressionTreeModel (“更新”params)
验证生成的代码
的输出参数比较预测
功能再培训DMDL
和预测
更新的MEX函数中的函数。
[Yfit、节点]=预测(retrainedMdl X);[Yfit_mex, node_mex] = RegressionTreeModel (“预测”, X);马克斯(abs (Yfit-Yfit_mex), [],“全部”)
ans = 0
node_mex isequal(节点)
ans=逻辑1
比较确认预测响应和节点数相等。
配置
- - - - - -编码器配置机器学习模型的编码器配置器,指定为通过使用learnerCoderConfigurer
.
模型 | 编码器配置对象 |
---|---|
用于多类分类的二叉决策树 | ClassificationTreeCoderConfigurer |
支持向量机用于一类和二值分类 | 分类VMCoderConfiguration |
二元分类的线性模型 | ClassificationLinearCoderConfigurer |
支持向量机的多分类模型和线性模型 | ClassificationECOCCoderConfigurer |
回归二叉决策树 | 回归树配置器 |
金宝app支持向量机回归 | 回归VMCoderConfigure |
线性回归 | RegressionLinearCoderConfigurer |
再培训DMDL
- - - - - -再训练的机器学习模型重新训练的机器学习模型,指定为完整或紧凑的模型对象,如所支持的模型表所示。金宝app
模型 | 全/紧凑的模型对象 | 培训职能 |
---|---|---|
用于多类分类的二叉决策树 | ClassificationTree ,CompactClassificationTree |
fitctree |
支持向量机用于一类和二值分类 | ClassificationSVM ,CompactClassificationSVM |
fitcsvm |
二元分类的线性模型 | ClassificationLinear |
fitclinear |
支持向量机的多分类模型和线性模型 | 分类 ,CompactClassificationECOC |
fitcecoc |
回归二叉决策树 | RegressionTree ,CompactRegressionTree |
fitrtree |
金宝app支持向量机回归 | RegressionSVM ,CompactRegressionSVM |
fitrsvm |
线性回归 | RegressionLinear |
fitrlinear |
validatedUpdateInputs
如果在重新训练模型时修改表中列出的任何名称-值对参数,则返回错误消息再培训DMDL
.在这种情况下,不能使用更新
若要更新参数,必须再次生成C/C++代码。
模型 | 参数不支持更新金宝app |
---|---|
用于多类分类的二叉决策树 | 参数的fitctree - - - - - -“类名” ,“分数变换” |
支持向量机用于一类和二值分类 | 参数的fitcsvm - - - - - -“类名” ,“KernelFunction” ,“PolynomialOrder” ,“分数变换” ,“标准化” |
二元分类的线性模型 | 参数的fitclinear - - - - - -“类名” ,“分数变换” |
支持向量机的多分类模型和线性模型 | 参数的 如果您指定二进制学习者
|
回归二叉决策树 | 参数的fitrtree - - - - - -“ResponseTransform” |
支持向量机回归 | 参数的fitrsvm - - - - - -“KernelFunction” ,“PolynomialOrder” ,“ResponseTransform” ,“标准化” |
线性回归 | 参数的fitrlinear - - - - - -“ResponseTransform” |
validatedUpdateInputs
显示警告消息,如果机器学习模型参数配置
和再培训DMDL
都是相同的。
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(中文或英文)以获得最佳网站性能。其他MathWorks国家站点没有针对您所在位置的访问进行优化。