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。

创建编码器配置程序

为此创建一个编码器配置程序ClassificationSVM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。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 X (1:50,:)“NumOutputs”2);

配置是一个ClassificationSVMCoderConfigurer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，以便在再培训模型后可以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和SVM模型的支持向量的编码器属性的预测器数据的编码器属性。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。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测的次数。在本例中，代码指定大小的上限为INF.大小是可变的，这意味着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，这个值必须是固定的。X包含34个预测因子，因此值SizeVector属性必须是34和值的值VariableDimensions属性必须假．

如果使用新的数据或不同的设置重新训练SVM模型，支持向量的数量可能会有所不同。金宝app因此，指定的编码器属性金宝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属性已被修改为满足配置约束。SizeVector属性for SupportVe金宝appctorLabels已被修改为满足配置约束。

configurer.金宝appSupportVectors.VariableDimensions = [true false];

已修改Alpha的VariableDimensions属性以满足配置约束。修改了SupportVectorLabels的VariableDi金宝appmensions属性以满足配置约束。

的编码器属性金宝appSupportVectors，然后软件修改了编码器属性Α和金宝appSupportVectorLabels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您可以使用墨西哥人设置查看和更改默认编译器。有关详细信息，请参见改变默认的编译器．

使用Generatecode.生成的代码预测和更新SVM分类模型的函数(Mdl）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预测.M.和update.m为预测和更新函数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

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函数中调用一个入门点函数，请将函数名称指定为第一个输入参数。

(标签,分数)=预测(Mdl X);[label_mex, score_mex] = ClassificationSVMModel (“预测”，X）;

相比标签和label_mex通过使用isequal．

isequal（标签，label_mex）

ans =逻辑1

isequal返回逻辑1 (真正的)，如果所有输入相等。比较证实了预测的函数Mdl和预测函数中返回相同的标签。

score_mex与...相比，可能包括圆截止差异分数．在这种情况下，比较score_mex和分数，允许有一个小的公差。

查找（ABS（得分 - 得分_MEX）> 1E-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1E-8．

培训模型和生成代码中的更新参数

使用整个数据集重新训练模型。

RetrainingMDL = 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。

classificationsvmmodel（'更新'params)

验证生成的代码

的输出比较预测的函数retrainedMdl和预测函数。

(标签,分数)=预测(retrainedMdl X);[label_mex, score_mex] = ClassificationSVMModel (“预测”，X）;isequal（标签，label_mex）

ans =逻辑1

查找（ABS（得分 - 得分_MEX）> 1E-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。