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。

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:

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。

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．

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:

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。