用于多类分类的二叉决策树模型的编码器配置器
一个ClassificationTreeCoderConfigurer
对象是用于多类分类的二叉决策树模型的编码器配置器(ClassificationTree
或紧分类树
).
编码器配置器提供了方便的特性来配置代码生成选项、生成C/ c++代码以及更新生成代码中的模型参数。
配置代码生成选项,并使用对象属性指定树模型参数的编码器属性。
生成C/ c++代码预测
和更新
利用分类树模型的功能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树模型时,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。
通过使用fitctree
,使用以下方法为模型创建一个编码器配置器learnerCoderConfigurer
.属性的编码器属性预测
和更新
参数。然后,用generateCode
根据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
对象Coder属性的预测器数据传递到生成的C/ c++代码预测
功能的分类树模型,指定为LearnerCoderInput
对象。
使用创建编码器配置器时learnerCoderConfigurer
函数,输入参数X
属性的默认值LearnerCoderInput
编码器属性:
SizeVector
—默认值为输入的数组大小X
.
VariableDimensions
—取值为[0 0]
(默认)或[1 0]
.
[0 0]
中指定的数组大小是固定的SizeVector
.
[1 0]
指示数组具有可变大小的行和固定大小的列。在本例中,第一个值SizeVector
上限值是行数,第二个值是SizeVector
是列数。
数据类型
—取值为仅有一个的
或双
。默认数据类型取决于输入的数据类型X
.
可调谐性
—必须为符合事实的
,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
:
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)具有固定的大小。指定的观察数量(本例中为100)将成为生成的C/C++代码中允许的最大观察数量。若要允许任意数量的观察,请将边界指定为正
.
NumOutputs
- - - - - -中的输出数预测
要从生成的C/C++代码返回的输出参数数预测
分类树模型的功能,指定为1、2、3或4。
的输出参数预测
是标签
(预测类标签),分数
(后验概率),节点
(预测类的节点号),以及cnum
(预测标签的类数),按此顺序。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NumOutputs
价值
在创建编码器配置器之后配置
,您可以使用点表示法指定输出的数量。
配置。NumOutputs= 2;
的NumOutputs
属性等价于“-nargout”
编译器选项编码基因
(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。的目标函数generateCode
生成两个入口点函数predict.m
和更新.m
为预测
和更新
并为这两个入口点函数生成C/ c++代码。的指定值NumOutputs
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learnerCoderConfigurer
.
孩子们
- - - - - -每个节点的子节点的编码器属性LearnerCoderInput
对象树中每个节点的子节点的编码器属性(孩子们
的分类树模型),指定为LearnerCoderInput
对象。
属性的默认属性值LearnerCoderInput
对象是基于输入参数的Mdl
属于learnerCoderConfigurer
:
SizeVector
—默认值为(2 nd)
,在那里钕
节点数在吗Mdl
.
VariableDimensions
—取值为[0 0]
(默认)或[1 0]
.
[0 0]
中指定的数组大小是固定的SizeVector
.
[1 0]
指示数组具有可变大小的行和固定大小的列。在本例中,第一个值SizeVector
上限值是行数,第二个值是SizeVector
是列数。
数据类型
—取值为“单一”
或“双”
.默认数据类型与用于训练的训练数据的数据类型一致Mdl
.
可调谐性
—必须为符合事实的
.
如果你修改SizeVector
是newnd
,然后软件修改的第一个维度SizeVector
属性为newnd
对于属性ClassProbability
,割点
和CutPredictorIndex
.类似地,如果你修改VariableDimensions
是1
,然后软件修改的第一个维度VariableDimensions
属性为1
这些属性。
ClassProbability
- - - - - -每个节点的类概率的编码器属性LearnerCoderInput
对象树中每个节点的类概率的编码器属性(ClassProbability
的分类树模型),指定为LearnerCoderInput
对象。
属性的默认属性值LearnerCoderInput
对象是基于输入参数的Mdl
属于learnerCoderConfigurer
:
SizeVector
—默认值为[nd c]
,在那里钕
节点数在吗Mdl
和c
为类数。
VariableDimensions
—取值为[0 0]
(默认)或[1 0]
.
[0 0]
中指定的数组大小是固定的SizeVector
.
[1 0]
指示数组具有可变大小的行和固定大小的列。在本例中,第一个值SizeVector
上限值是行数,第二个值是SizeVector
是列数。
数据类型
—取值为“单一”
或“双”
.默认数据类型与用于训练的训练数据的数据类型一致Mdl
.
可调谐性
—必须为符合事实的
.
如果你修改SizeVector
是newnd
,然后软件修改的第一个维度SizeVector
属性为newnd
对于属性孩子们
,割点
和CutPredictorIndex
.类似地,如果你修改VariableDimensions
是1
,然后软件修改的第一个维度VariableDimensions
属性为1
这些属性。
成本
- - - - - -编码器属性的误分类代价LearnerCoderInput
对象错误分类成本的编码者属性(成本
的分类树模型),指定为LearnerCoderInput
对象。
属性的默认属性值LearnerCoderInput
对象是基于输入参数的Mdl
属于learnerCoderConfigurer
:
SizeVector
—必须为(c c)
,在那里c
为类数。
VariableDimensions
—必须为[0 0]
,表示数组大小是固定的,如SizeVector
.
数据类型
—取值为“单一”
或“双”
.默认数据类型与用于训练的训练数据的数据类型一致Mdl
.
可调谐性
—默认值为符合事实的
.
割点
- - - - - -每个节点的切割点的编码属性LearnerCoderInput
对象树中每个节点的切割点的编码属性(割点
的分类树模型),指定为LearnerCoderInput
对象。
属性的默认属性值LearnerCoderInput
对象是基于输入参数的Mdl
属于learnerCoderConfigurer
:
SizeVector
—默认值为(nd - 1)
,在那里钕
节点数在吗Mdl
.
VariableDimensions
—取值为[0 0]
(默认)或[1 0]
.
[0 0]
中指定的数组大小是固定的SizeVector
.
[1 0]
指示数组具有可变大小的行和固定大小的列。在本例中,第一个值SizeVector
上限值是行数,第二个值是SizeVector
是列数。
数据类型
—取值为“单一”
或“双”
.默认数据类型与用于训练的训练数据的数据类型一致Mdl
.
可调谐性
—必须为符合事实的
.
如果你修改SizeVector
是newnd
,然后软件修改的第一个维度SizeVector
属性为newnd
对于属性孩子们
,ClassProbability
和CutPredictorIndex
.类似地,如果你修改VariableDimensions
是1
,然后软件修改的第一个维度VariableDimensions
属性为1
这些属性。
CutPredictorIndex
- - - - - -每个节点的切割预测指标的编码属性LearnerCoderInput
对象树中每个节点的切割预测器索引的编码器属性(CutPredictorIndex
的分类树模型),指定为LearnerCoderInput
对象。
属性的默认属性值LearnerCoderInput
对象是基于输入参数的Mdl
属于learnerCoderConfigurer
:
SizeVector
—默认值为(nd - 1)
,在那里钕
节点数在吗Mdl
.
VariableDimensions
—取值为[0 0]
(默认)或[1 0]
.
[0 0]
中指定的数组大小是固定的SizeVector
.
[1 0]
指示数组具有可变大小的行和固定大小的列。在本例中,第一个值SizeVector
上限值是行数,第二个值是SizeVector
是列数。
数据类型
—取值为“单一”
或“双”
.默认数据类型与用于训练的训练数据的数据类型一致Mdl
.
可调谐性
—必须为符合事实的
.
如果你修改SizeVector
是newnd
,然后软件修改的第一个维度SizeVector
属性为newnd
对于属性孩子们
,ClassProbability
和割点
.类似地,如果你修改VariableDimensions
是1
,然后软件修改的第一个维度VariableDimensions
属性为1
这些属性。
先前的
- - - - - -先验概率的编码器属性LearnerCoderInput
对象先验概率的编码属性(先前的
的分类树模型),指定为LearnerCoderInput
对象。
属性的默认属性值LearnerCoderInput
对象是基于输入参数的Mdl
属于learnerCoderConfigurer
:
SizeVector
—必须为(1 c)
,在那里c
为类数。
VariableDimensions
—必须为[0 0]
,表示数组大小是固定的,如SizeVector
.
数据类型
—取值为“单一”
或“双”
.默认数据类型与用于训练的训练数据的数据类型一致Mdl
.
可调谐性
—默认值为符合事实的
.
OutputFileName
- - - - - -生成的C/ c++代码的文件名“分类树模型”
(默认)|特征向量生成的C/ c++代码的文件名,指定为字符向量。
的目标函数generateCode
属于ClassificationTreeCoderConfigurer
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
,可以使用点表示法指定文件名。
configurer.OutputFileName=“myModel”;
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中通知消息的显示。
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) |
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
,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generateFiles
函数和下面三个属性编码基因
(MATLAB编码器),而不是使用generateCode
函数。
在生成两个入口点函数文件(predict.m
和更新.m
)通过使用generateFiles
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
文件以包含数据预处理,或者可以将这些入口点函数添加到另一个代码生成项目中。然后,您可以通过使用编码基因
(MATLAB编码器)功能与功能编码基因
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编码基因
参数。
共生成元
- - - - - -编码基因
参数此属性是只读的。
编码基因
(MATLAB编码器)参数,指定为单元格数组。
此属性使您能够自定义代码生成工作流。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
,你可以生成C/ c++代码如下:
generateFiles(配置器)cgArgs = configuration . codegenerationarguments;codegen (cgArgs {}):
cgArgs
在打电话之前编码基因
.
修改的其他属性配置
,则软件更新共生成元
相应的属性。
数据类型:细胞
PredictInputs
- - - - - -输入参数的预测
编码器。PrimitiveType
对象此属性是只读的。
入口点函数的输入参数predict.m
对于代码生成,指定为单元格数组编码器。PrimitiveType
(MATLAB编码器)对象。的编码器。PrimitiveType
对象中存储的预测器数据的编码器属性X
财产。
如果你修改了预测器数据的编码属性,那么软件就会更新编码器。PrimitiveType
相应的对象。
的编码器。PrimitiveType
对象PredictInputs
相当于configurer.CodeGeneratorGuments{6}
用于编码器配置器配置
.
数据类型:细胞
UpdateInputs
- - - - - -的可调参数列表更新
编码器。PrimitiveType
对象此属性是只读的。
入口点函数的可调输入参数列表更新.m
对于代码生成,指定为包含的结构的单元格数组编码器。PrimitiveType
(MATLAB编码器)对象。每一个编码器。PrimitiveType
对象包含可调机器学习模型参数的编码器属性。
如果您使用编码器配置器属性修改模型参数的编码器属性(更新
参数属性),然后软件更新相应的编码器。PrimitiveType
相应的对象。如果指定可调谐性
机器学习模型参数的属性为假
,则软件删除相应的编码器。PrimitiveType
对象的UpdateInputs
列表。
的结构UpdateInputs
相当于配置。CodeGenerationArguments {3}
用于编码器配置器配置
.
数据类型:细胞
generateCode |
使用编码器配置器生成C/ c++代码 |
generateFiles |
生成MATLAB使用编码器配置器生成代码的文件 |
验证更新输入 |
验证并提取机器学习模型参数以进行更新 |
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fisheriris
包含花卉数据的数据集,并训练决策树模型。
负载fisheririsX =量;Y =物种;Mdl = fitctree (X, Y);
Mdl
是一个ClassificationTree
对象。
控件创建一个编码器配置器ClassificationTree
模型通过使用learnerCoderConfigurer
.指定预测器数据X
.的learnerCoderConfigurer
函数使用输入X
属性的编码器属性预测
函数的输入。
X配置= learnerCoderConfigurer (Mdl)
configurer = ClassificationTreeCoderConfigurer with properties: Update Inputs: Children: [1x1 LearnerCoderInput] ClassProbability: [1x1 LearnerCoderInput] CutPoint: [1x1 LearnerCoderInput] CutPredictorIndex: [1x1 LearnerCoderInput] Prior: [1x1 LearnerCoderInput] Cost: [1x1 LearnerCoderInput] Predict Inputs: X:[1x1 LearnerCoderInput]代码生成参数:NumOutputs: 1 OutputFileName: 'ClassificationTreeModel'属性,方法
配置
是一个ClassificationTreeCoderConfigurer
对象的编码配置器ClassificationTree
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编码器定位并使用受支持的、已安装的编译器。你可以用金宝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.
为预测
和更新
分类树模型的功能(Mdl
)的默认设置。
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”、“ClassificationTreeModel。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
和更新.m
为预测
和更新
的功能Mdl
,分别。
创建一个名为ClassificationTreeModel
对于两个入口点函数。
控件中创建MEX函数的代码codegen\mex\ClassificationTreeModel
文件夹中。
将MEX函数复制到当前文件夹。
显示的内容predict.m
,更新.m
和初始化.m
文件,使用类型
函数。
类型predict.m
function varargout = predict(X,varargin) %#codegen % Autogenerated by MATLAB, 01- 9 -2021 14:42:11 [varargout{1:nargout}] = initialize('predict',X,varargin{:});结束
类型更新.m
function update(varargin) %#codegen % Autogenerated by MATLAB, 01- 9 -2021 14:42:11 initialize('update',varargin{:});结束
类型初始化.m
function [varargout] = initialize(command,varargin) %#codegen % Autogenerated by MATLAB, 01- 9 -2021 14:42:11 code .inline('always') persistent model if isempty(model) model = loadLearnerForCoder(' classificationtremodel .mat');end switch(command) case 'update' % update struct fields: Children % ClassProbability % CutPoint % CutPredictorIndex % Prior % Cost model = update(model,varargin{:});case 'predict' %预测输入:X 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决策树进行多类分类,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fisheriris
包含花朵数据的数据集。此数据集有四个预测因子:花朵的萼片长度、萼片宽度、花瓣长度和花瓣宽度。响应变量包含花朵物种名称:刚毛、花色和弗吉尼亚。使用一半的观察值训练分类树模型。
负载fisheririsX =量;Y =物种;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 = fitctree (XTrain YTrain);
Mdl
是一个ClassificationTree
对象。
创建编码器配置
控件创建一个编码器配置器ClassificationTree
模型通过使用learnerCoderConfigurer
.指定预测器数据。的learnerCoderConfigurer
函数使用输入XTrain
属性的编码器属性预测
函数输入。另外,将输出数设置为4,以便生成的代码返回预测的标签、分数、节点号和类号。
配置= learnerCoderConfigurer (Mdl XTrain,“NumOutputs”4);
配置
是一个ClassificationTreeCoderConfigurer
对象的编码配置器ClassificationTree
对象。
指定参数的编码器属性
指定分类树模型参数的编码器属性,以便可以在重新训练模型后更新生成代码中的参数。
对象的编码器属性X
的属性配置
这样生成的代码就可以接受任意数量的观察。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
ans =1x2逻辑阵列1 0
第一个维度的大小是观测的次数。的值SizeVector
属性来正
使软件更改VariableDimensions
属性来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器变量的数量。对于机器学习模型,此值必须固定。因为预测器数据包含4个预测器,所以SizeVector
属性必须是4
以及它的价值VariableDimensions
属性必须是0
.
如果使用新数据或不同设置重新训练树模型,则树中的节点数可能会有所不同。因此,请指定树的第一个维度SizeVector
属性,以便您可以更新生成代码中的节点数:孩子们
,ClassProbability
,割点
或CutPredictorIndex
.然后软件会自动修改其他属性。
的第一个值SizeVector
的属性割点
财产正
.软件修改SizeVector
和VariableDimensions
的属性孩子们
,ClassProbability
和CutPredictorIndex
以匹配树中节点数目的新上限。的第一个值VariableDimensions
的属性割点
更改1
.
configuration . cutpoint . sizevector = [Inf 1];
修改了Children的sizeevector属性以满足配置约束。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CutPredictorIndex的VariableDimensions属性以满足配置约束。ClassProbability的SizeVector属性已被修改以满足配置约束。ClassProbability的VariableDimensions属性已被修改以满足配置约束。
configurer.CutPoint.VariableDimensions
ans =1x2逻辑阵列1 0
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编码器定位并使用受支持的、已安装的编译器。你可以用金宝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.
为预测
和更新
分类树模型的功能(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”、“ClassificationTreeModel。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
和更新.m
为预测
和更新
的功能Mdl
,分别。
创建一个名为ClassificationTreeModel
对于两个入口点函数。
控件中创建MEX函数的代码codegen\mex\ClassificationTreeModel
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
函数中的函数返回相同的输出参数。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、节点cnum] =预测(Mdl XTrain);[label_mex, score_mex node_mex cnum_mex] = ClassificationTreeModel (“预测”, XTrain);
比较标签
和标签
通过使用isequal
.同样的,比较节点
到node_mex
和cnum
到cnum_mex
.
label_mex isequal(标签)
ans =逻辑1
node_mex isequal(节点)
ans =逻辑1
isequal (cnum cnum_mex)
ans =逻辑1
isequal
返回逻辑1 (符合事实的
),如果所有输入参数相等。比较证实了预测
的函数Mdl
和预测
MEX函数中的函数返回相同的标签、节点号和类号。
比较分数
和score_mex
.
马克斯(abs (score-score_mex), [],“所有”)
ans = 0
一般来说,score_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score_mex
是相等的。
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 = fitctree (X, Y);
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。
分类树模型(“更新”params)
验证生成的代码
的输出参数比较预测
的函数retrainedMdl
和预测
函数。
[label,score,node,cnum]=预测(retainedmdl,X);[label_-mex,score_-mex,node_-mex,cnum_-mex]=分类树模型(“预测”, X);label_mex isequal(标签)
ans =逻辑1
node_mex isequal(节点)
ans =逻辑1
isequal (cnum cnum_mex)
ans =逻辑1
马克斯(abs (score-score_mex), [],“所有”)
ans = 0
通过比较可以确认标签、节点号、类号和分数是相等的。
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。
一个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 |
---|---|
SizeVector |
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 |
可调谐性 |
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。属性的编码器属性割点
编码器配置程序的属性配置
:
configurer.CutPoint.SizeVector = [20 1];configurer.CutPoint.VariableDimensions = [1 0];
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。
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
你也可以从以下列表中选择一个网站:
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。