数据预处理

加载人口普查1994.数据集。该数据集包括来自美国人口普查局的人口统计数据，用于预测个人每年赚50,000美元。

加载人口普查1994.

考虑一个模型，预测员工的薪酬类别，鉴于其年龄，工人阶级，教育水平，资本收益和损失以及每周工作时间的数量。提取感兴趣的变量并使用表保存它们。

台= adultdata (:, {'年龄'，“education_num”，“capital_gain”，'capital_loss'，'每周几小时'}）;

打印表的摘要。

摘要（TBL）

变量:年龄:32561 x1双重价值:17分钟37 Max 90 education_num中位数:32561 x1双重价值:1分钟10马克斯16 capital_gain中位数:32561 x1双重价值:最小值0最大99999 capital_loss: 32561 x1双重价值:最小值0最大4356 hours_per_week: 32561 x1双重价值:最小值40 Max 99

变量的比例是不一致的。在这种情况下，您可以使用标准化数据集训练模型，方法是指定'标准化'名称 - 值对参数fitcsvm．然而，添加的操作标准化到定点代码可以降低精度和提高内存的使用。相反，你可以手动标准化的数据集，如本例所示。这个例子也说明了如何检查在最后的内存使用。

固定点代码生成不支持表或分类阵列。金宝app所以，定义预测器数据X使用数字矩阵，并定义类标签Y使用逻辑向量。逻辑向量在二进制分类问题中最有效地使用内存。

X = table2array（TBL）;Y = adultdata.salary =='<= 50K';

定义观测权值w．

w = adultdata.fnlwgt;

存储器使用的作为支持向量的模型中的增加数目的训练的模型增加。金宝app为了减少支持向量的数量，可以增加箱约束使用训练的金宝app时候'boxconstraint'名称 - 值对参数或使用用于培训的分布代表数据。请注意，增加框约束可以导致较长的训练时间，并且使用限制数据集可以降低训练模型的准确性。在此示例中，您可以从数据集中随机示例，并使用用于训练的限制数据。

rng (“默认”）%的再现性[x_sampled，idx] = datasample（x，1000，'代替'，错误的）;y_sampled = y（idx）;w_sampled = w（idx）;

查找使用训练模型的加权平均值和标准偏差'重量'和'标准化'名称值对参数。

tempmdl = fitcsvm（x_sampled，y_sampled，'重量'w_sampled,'骨箱'，'高斯'，'标准化',真正的);亩= tempMdl.Mu;差= tempMdl.Sigma;

如果你不使用“成本”，“之前”， 或者'重量'的名称-值对参数，然后可以通过使用ZScore.函数。

[标准化x_sampled，mu，sigma] = zscore（x_sampled）;

通过使用标准化预测器数据亩和σ．

standardizedX =（X-MU）./西格玛;standardizedX_sampled = standardizedX（IDX，:);

您可以使用测试数据集来验证训练的模型和测试仪器化MEX功能。指定测试数据集，并通过使用标准化测试预测数据亩和σ．

xtest = table2array（AdutherTest（：，{'年龄'，“education_num”，“capital_gain”，'capital_loss'，'每周几小时'}));standardizedXTest = (XTest-mu)。/σ;欧美=成人。工资= ='<= 50K';

火车模型

训练二元SVM分类模型。

MDL = fitcsvm（standardizedX_sampled，Y_sampled，'重量'w_sampled,'骨箱'，'高斯'）;

MDL.是A.ClassificationSVM模型。

计算培训数据集的分类错误和测试数据集。

损失（MDL，标准化x_sampled，y_sampled）

ans = 0.1663

损失（MDL，标准化标准，ytest）

ans = 0.1905.

SVM分类器错误分类约17％的培训数据和19％的测试数据。

保存模型

将SVM分类模型保存到文件中myMdl.mat通过使用Savelarnerforcoder.．

saveLearnerForCoder (Mdl“myMdl”）;

定义固定点数据类型

用generatelearnerdatatypefcn.生成一个函数，定义支持向量机模型预测所需变量的定点数据类型。使用所有可用的预测器数据来获得定点数据类型的真实范围。

generateLearnerDataTypeFcn（“myMdl”, (standardizedX;standardizedXTest])

generatelearnerdatatypefcn.生成myMdl_datatype函数。显示的内容mymdl_datatype.m.通过使用类型函数。

类型mymdl_datatype.m.

函数T = myMdl_datatype (dt) % myMdl_datatype为定点定义数据类型生成代码% % T = myMdl_datatype (dt)返回的数据类型结构T,它定义了%所需的变量的数据类型生成定点C / c++代码%机器学习模型的预测。T的每个字段都包含一个fi返回的%定点对象。输入参数dt指定定点对象的% DataType属性。指定dt为'Fixed'(默认)%用于定点代码生成，或指定dt为'Double'以模拟定点代码的%浮点行为。使用输出结构T作为入口点%函数的输入参数和%入口点函数中loadLearnerForCoder的第二个输入参数。有关更多信息，请参见loadLearnerForCoder。%文件:myMdl_datatype。m % Statistics and Machine Learning Toolbox Version 12.1 (Release R2021a) % Generated by MATLAB, 23-Feb-2021 19:10:54 if nargin < 1 dt = 'Fixed';END％SET定点数学设置FM = FIMATH（'roundingMethod'，'floor'，...'overflowation'，'wrap'，...'productmode'，'fullprecision'，...'maxproductwordlength'，128，...'summode'，'fourprecision'，...'maxsumwordlength'，128）;%预估数据T.XDataType = fi([]，true,16,11,fm，'DataType'，dt); % Data type for output score T.ScoreDataType = fi([],true,16,14,fm,'DataType',dt); % Internal variables % Data type of the squared distance dist = (x-sv)^2 for the Gaussian kernel G(x,sv) = exp(-dist), % where x is the predictor data for an observation and sv is a support vector T.InnerProductDataType = fi([],true,16,6,fm,'DataType',dt); end

笔记：如果您单击位于这个例子中的右上部分的按钮，并在打开的MATLAB®例如，然后打开MATLAB的例子文件夹。此文件夹包含入口点函数文件。

的myMdl_datatype函数使用默认字长度（16）并提出最大分数长度，以避免每个变量的默认字长度（16）和安全距（10％）避免溢出。

创建一个结构T通过使用定义固定点数据类型myMdl_datatype．

T = myMdl_datatype ('固定的'）

t =结构与字段：XDatatype：[0x0 Embedded.fi] scoringatatype：[0x0嵌入式.fi] InnerProductDattype：[0x0嵌入式.FI]

结构T包括运行所需的名称和内部变量的字段预测函数。每个字段包含一个定点对象，由fi(定点设计师)．例如，显示预测器数据的固定点数据类型属性。

t.xdatatype.

ANS = [] DataTypeMode：定点：二进制点缩放符号性：签字字长：16 FractionLength：11 RoundingMethod：地板OverflowAction：裹ProductMode：FullPrecision MaxProductWordLength：128 SumMode：FullPrecision MaxSumWordLength：128

有关生成的函数和结构的更多细节，请参见数据类型功能．

定义入口点函数

定义命名的入口点函数myFixedPointPredict这有以下内容：

功能(标签,分数)= myFixedPointPredict (X, T)％＃codegen.Mdl = loadLearnerForCoder (“myMdl”，'数据类型'T);(标签,分数)=预测(Mdl X);结束

（可选）优化固定点数据类型

通过使用优化固定点数据类型buildInstrumentedMex和showInstrumentationResults．通过使用记录所有命名和内部变量的最小值和最大值buildInstrumentedMex．使用仪器使用showInstrumentationResults;然后，根据结果，调整变量的定点数据类型属性。

指定入口点函数的输入参数类型

的输入参数类型myFixedPointPredict使用2×1个单元格阵列。

ARGS =细胞(2,1);

第一个输入参数是预测器数据。的XDataType结构领域T指定所述预测数据的定点数据类型。转变X中指定的类型t.xdatatype.通过使用投掷(定点设计师)函数。

x_fx =施法（标准化x，'喜欢'，T.XDataType）;

测试数据集不具有与训练数据集相同的大小。指定ARGS {1}通过使用Coder.typeof.（MATLAB编码器）因此MEX功能可以采用可变大小的输入。

ARGS {1} = coder.typeof (X_fx、大小(standardizedX) [1,0]);

第二个输入参数是结构T，它必须是一个编译时间常数。用编码器.Constant.（MATLAB编码器）指定T作为代码生成期间的常量。

args {2} =编码器.Constant（t）;

创建仪表MEX功能

通过创建仪表MEX功能buildInstrumentedMex(定点设计师)．

buildInstrumentedMexmyFixedPointPredictarg游戏arg游戏-OmyFixedPointPredict_instrumented柱状图-coder

代码生成成功。

测试仪器型MEX功能

运行仪器化的MEX功能以记录仪器结果。

[labels_fx1，scors_fx1] = myfixedpointpredict_instrumented（x_fx，t）;

您可以多次运行录音MEX功能以从各种测试数据集记录结果。使用仪器化的MEX功能使用标准化的东西．

Xtest_fx =铸造（standardizedXTest，'喜欢'，T.XDataType）;[labels_fx1_test，scores_fx1_test] = myFixedPointPredict_instrumented（Xtest_fx，T）;

查看仪表型MEX功能的结果

称呼showInstrumentationResults(定点设计师)打开包含仪器结果的报告。查看模拟最小值和最大值，提出分数长度，电流范围的百分比，和整数的状态。

showInstrumentationResults ('myfixedpointpredict_instrumented'）

中建议的单词长度和分数长度X与那些相同XDataType结构T．

通过单击查看变量的直方图在这一点变量标签。

窗口包含具有有关变量信息的直方图和对话面板。有关此窗口的信息，请参阅numerictyPescope.(定点设计师)参考页面。

通过使用清除结果clearInstrumentationResults.(定点设计师)．

clearInstrumentationResults（'myfixedpointpredict_instrumented'）

验证仪器函数

从比较的输出预测和myFixedPointPredict_instrumented．

(标签、分数)=预测(Mdl standardizedX);labels_fx1 verify_labels1 = isequal(标签)

verify_labels1 =逻辑0

isequal返回逻辑1（真），如果标签和labels_fx1是相等的。如果标签不相等，可按如下方法计算标签分类错误的百分比。

diff_labels1 = sum（strcmp（strcmp（labels_fx1），string（标签））== 0）/长度（标签_fx1）* 100

diff_labels1 = 0.1228

寻找最大的得分输出之间的相对差异。

diff_scores1 = max（abs（（scors_fx1.double（：，1）-scores（：，1））./ scores（：1））））

diff_scores1 = 83.0713.

调优定点数据类型

如果录制的结果显示溢出或下溢，或者您想提高生成的代码的精度，则可以调整固定点数据类型。通过更新来修改固定点数据类型myMdl_datatype工作，并创建一个新的结构，然后生成使用新的结构的代码。要更新myMdl_datatype功能，可以手动修改在功能文件定点数据类型（mymdl_datatype.m.）。或者，您可以生成使用功能generatelearnerdatatypefcn.并指定较长的单词长度，如本例所示。有关详细信息，请参见提示．

生成一个新的数据类型函数。指定单词长度为32和名称myMdl_datatype2为生成的函数。

generateLearnerDataTypeFcn（“myMdl”, (standardizedX;standardizedXTest),“字”，32，'OutputFunctionName'，“myMdl_datatype2”）

显示的内容myMdl_datatype2.m．

类型myMdl_datatype2.m

函数t = mymdl_datatype2（dt）％mymdl_datatype2定义了固定点代码生成的数据类型，生成％％t = mymdl_datatype2（dt）返回数据类型结构t，它为生成固定点C / C ++所需的变量定义％数据类型代码％以预测机器学习模型。T的每个字段都包含一个fi返回的%定点对象。输入参数dt指定定点对象的% DataType属性。指定dt为'Fixed'(默认)%用于定点代码生成，或指定dt为'Double'以模拟定点代码的%浮点行为。使用输出结构T作为入口点%函数的输入参数和%入口点函数中loadLearnerForCoder的第二个输入参数。有关更多信息，请参见loadLearnerForCoder。％文件：mymdl_datatype2.m％统计和机器学习工具箱版本12.1（发布r2021a）％由matlab生成，23-feb-2021 19:12:22如果nargin <1 dt ='固定';END％SET定点数学设置FM = FIMATH（'roundingMethod'，'floor'，...'overflowation'，'wrap'，...'productmode'，'fullprecision'，...'maxproductwordlength'，128，...'summode'，'fourprecision'，...'maxsumwordlength'，128）;预测器数据的％数据类型t.xdatatype = fi（[]，true，32,27，fm，'datatype'，dt）; % Data type for output score T.ScoreDataType = fi([],true,32,30,fm,'DataType',dt); % Internal variables % Data type of the squared distance dist = (x-sv)^2 for the Gaussian kernel G(x,sv) = exp(-dist), % where x is the predictor data for an observation and sv is a support vector T.InnerProductDataType = fi([],true,32,22,fm,'DataType',dt); end

的myMdl_datatype2函数指定单词长度32，并提出最大的分数长度以避免溢出。

创建一个结构T2.通过使用定义固定点数据类型myMdl_datatype2．

t2 = mymdl_datatype2（'固定的'）

T2 =结构与字段：XDatatype：[0x0 Embedded.fi] scoringatatype：[0x0嵌入式.fi] InnerProductDattype：[0x0嵌入式.FI]

创建一个新的仪表函数，记录结果，并通过使用查看结果buildInstrumentedMex和showInstrumentationResults．

X_fx2 =投(standardizedX,'喜欢', T2.XDataType);buildInstrumentedMexmyFixedPointPredictarg游戏{x_fx2，coder.constant（t2）}-OmyFixedPointPredict_instrumented2柱状图-coder

代码生成成功。

[labels_fx2，scores_fx2] = myFixedPointPredict_instrumented2（X_fx2，T2）;showInstrumentationResults (“myFixedPointPredict_instrumented2”）

检查仪表报告，然后清除结果。

clearInstrumentationResults（“myFixedPointPredict_instrumented2”）

验证myFixedPointPredict_instrumented2．

labels_fx2 verify_labels2 = isequal(标签)

verify_labels2 =逻辑0

diff_labels2 = sum（strcmp（string（labels_fx2），string（标签））== 0）/ length（labels_fx2）* 100

diff_labels2 = 0.0031

diff_scores2 = max（abs（（scores_fx2.double（：，1）-scores（：，1））./ scores（：1）））

diff_scores2 = 2.0602

错误分类标签的百分比diff_labels2.和得分值的相对差diff_scores2.小于使用默认字长度生成的先前MEX函数（16）的那些。

关于通过测试MATLAB®代码优化定点数据类型的更多细节，请参阅参考页面buildInstrumentedMex(定点设计师)，showInstrumentationResults(定点设计师)， 和clearInstrumentationResults.(定点设计师)，以及例子一组数据类型使用最小/最大仪器仪表(定点设计师)．

生成代码

生成用于入口点函数的代码代码生成．而不是指定用于预测器数据集的可变大小输入，请通过使用指定固定大小的输入Coder.typeof.．如果知道预测数据集传递给生成的代码，然后生成用于固定大小的输入码的大小优选的是，代码的简单性。

代码生成myFixedPointPredictarg游戏{coder.typeof (X_fx2 [1,5], [0]), coder.Constant (T2)}

代码生成成功。

代码生成生成MEX函数myFixedPointPredict_mex与平台相关的扩展。

验证生成的代码

您可以验证myFixedPointPredict_mex以与您验证所录制的MEX功能的方式相同。看看验证仪器函数部分详情。

[labels_sampled, scores_sampled] =预测(Mdl standardizedX_sampled);n =大小(standardizedX_sampled, 1);labels_fx = true (n, 1);scores_fx = 0 (n, 2);为i = 1: n [labels_fx(我),scores_fx(我,:)]= myFixedPointPredict_mex (X_fx2 (idx(我):),T2);结束verify_labels = isequal (labels_sampled labels_fx)

验证_labels =.逻辑1

diff_labels = sum（strcmp（string（labels_fx），string（labels_sampled））== 0）/ length（labels_fx）* 100

diff_labels = 0

diff_scores = MAX（ABS（（scores_fx（：，1）-scores_sampled（：，1））./ scores_sampled（：，1）））

diff_scores = 0.0638.

记忆使用

良好做法是在培训模型之前手动标准化预测器数据。如果你使用'标准化'名称 - 值对的参数，而不是，然后将所生成的定点代码包括标准化的操作，这会导致精度的损失和增加的内存使用。

如果您生成一个静态库，您可以通过使用代码生成报告来查找生成代码的内存使用情况。指定-config：lib生成静态库，并使用-报告选项生成代码生成报告。

代码生成myFixedPointPredictarg游戏{coder.typeof (X_fx2 [1,5], [0]), coder.Constant (T2)}-Omyfixedpointpredict_lib.-config：lib-报告

在这一点总结选项卡的代码生成报告，单击代码指标．函数信息部分显示累积的堆栈大小。

要查找内存使用与培养了模型“标准化”，“真”，您可以运行以下代码。

MDL = fitcsvm（X_sampled，Y_sampled，'重量'w_sampled,'骨箱'，'高斯'，'标准化',真正的);saveLearnerForCoder (Mdl“myMdl”）;generateLearnerDataTypeFcn（“myMdl”，[X;xtest]，“字”，32，'OutputFunctionName'，'mymdl_standardize_datatype') T3 = mymdl_standarze_datatype ('固定的'）;X_fx3 =投(X_sampled,'喜欢', T3.XDataType);代码生成myFixedPointPredictarg游戏{coder.typeof (X_fx3 [1,5], [0]), coder.Constant (T3)}-Omyfixedpointpredict_standardize_lib.-config：lib-报告