创建机器学习模型的编码器配置器
在训练一个机器学习模型之后,使用learnerCoderConfigurer
.使用配置器的对象函数和属性来指定代码生成选项,并为预测
和更新
机器学习模型的功能。生成C/ c++代码需要马铃薯®编码器™.
此流程图显示使用编码器配置程序的代码生成工作流程。使用learnerCoderConfigurer
为突出显示的步骤。
火车机器学习模型,然后为此生成代码预测
和更新
通过使用编码器配置器来实现模型的功能。
加载carsmall
数据集和训练支持向量机(SVM)回归模型。金宝app
负载carsmallX =(功率、重量);Y = MPG;Mdl = fitrsvm (X, Y);
Mdl
是一个回归vm.
对象。
为此创建一个编码器配置程序回归vm.
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)
配置属性= RegressionSVMCoderConfigurer:更新输入:α:[1 x1 LearnerCoderInput] SupportVectors: [1 x1 LearnerCoderInpu金宝appt]: [1 x1 LearnerCoderInput]偏见:[1 x1 LearnerCoderInput]预测输入:X: [1 x1 LearnerCoderInput]代码生成参数:NumOutputs: 1 OutputFileName:“RegressionSVMModel”属性,方法
配置
是一个RegressionSVMCoderConfigurer
对象的编码配置器回归vm.
对象。
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.
为预测
和更新
支持向量机回归模型(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”、“RegressionSVMModel。代码生成成功。
的Generatecode.
函数完成这些操作:
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。
创建名为MEX函数RegressionSVMModel
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\ RegressionSVMModel
文件夹中。
将MEX函数复制到当前文件夹。
显示的内容预测.M.
,update.m
,initialize.m
文件,使用类型
函数。
类型预测.M.
function varargout = predict(X,varargin) %#codegen % Autogenerated by MATLAB, 23-Feb-2021 19:18:25 [varargout{1:nargout}] = initialize('predict',X,varargin{:});结束
类型update.m
function update(varargin) %#codegen % Autogenerated by MATLAB, 23- 2 -2021 19:18:25 initialize('update',varargin{:});结束
类型initialize.m
function [varargout] = initialize(command,varargin) %#codegen % Autogenerated by MATLAB, 23- 2 -2021 19:18:25 coder.inline('always') persistent model if isempty(model) model = loadLearnerForCoder('RegressionSVMModel.mat');end switch(command) case 'update' % update struct fields: Alpha % 金宝appSupportVectors % Scale % Bias 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
使用部分数据集列车SVM模型,并为模型创建一个编码器配置器。使用编码器配置器的属性指定SVM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,该C代码预测新的预测器数据的标签。然后使用整个数据集重新恢复模型,并在生成的代码中更新参数而无需重新生成代码。
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。
Mdl
- - - - - -机器学习模型机器学习模型,指定为完整或紧凑模型对象,如支持模型表中所示。金宝app
模型 | 全/紧凑的模型对象 | 培训功能 |
---|---|---|
多包分类的二进制决策树 | 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 | ClassificationECOC ,CompactClassificationECOC |
fitcecoc |
二叉决策树的回归 | 回归植物 ,CompactRegressionTree |
fitrtree. |
金宝app支持向量机(SVM)回归 | 回归vm. ,compactregressionsvm. |
fitrsvm |
线性回归 | RegressionLinear |
fitrlinear |
对于代码生成使用说明和机器学习模型的限制,请参阅模型对象页面的代码生成部分。
X
- - - - - -预测数据预测数据预测
的函数Mdl
,指定为n-经过-p数字矩阵,n观察的次数是多少p为预测变量的数量。而不是指定X
作为一个p-经过-n矩阵,其中观察值对应于列,则必须设置'观察'
的名称-值对参数“列”
.此选项仅适用于带线性二进制学习者的线性模型和ECOC模型。
的预测
机器学习模型的功能是预测分类标签和给定预测数据的回归响应。在创建编码器配置器之后配置
,你可以使用Generatecode.
函数生成C/ c++代码预测
的函数Mdl
.生成的代码接受具有相同大小和数据类型的预测器数据X
.创建后,可以指定每个维度的大小是可变的还是固定的配置
.
例如,如果要生成使用100个预测变量的100个观察预测标签的C / C ++代码,则指定X
作为零(100,3)
.的learnerCoderConfigurer
函数仅使用大小和数据类型X
,而不是它的价值。因此,X
可以是预测数据或表示具有特定数据类型的值集的MATLAB表达式。输出配置
存储尺寸和数据类型X
在里面X
的属性配置
.的大小和数据类型X
在创建配置
.例如,将观察数更改为200,数据类型更改为单
.
configurer.x.sizevector = [200 3];configur.x.datatype =.'单身的';
要允许生成的C/ c++代码接受多达100个观测值的预测器数据,请指定X
作为零(100,3)
和改变VariableDimensions
财产。
configurer.X.VariableDimensions = [1 0];
[1 0]
表示的第一个维度X
(观察的数量)有一个可变的大小和第二个维度X
(预测变量的数量)有一个固定的大小。在本例中,指定的观察数(100)成为生成的C/ c++代码中允许的最大观察数。若要允许任意数量的观察,请指定范围为INF.
.configurer.x.sizevector = [INF 3];
数据类型:单
|双倍的
指定可选的逗号分隔的对名称,值
论点。的名字
参数名和价值
为对应值。的名字
必须出现在引号内。可以以任意顺序指定多个名称和值对参数Name1, Value1,…,的家
.
Configurer = LearnerCoderConfigurer(MDL,x,'numoutputs',2,'outputfilename','mymodel')
设置中输出的数量预测
,并指定文件名“myModel”
生成的C/ c++代码。
“NumOutputs”
- - - - - -输入输出数预测
的输出参数的数量预测
机器学习模型的功能Mdl
,指定为逗号分隔的对,由“NumOutputs”
和一个正整数n
.
此表列出了输出的预测
不同型号的功能。预测
在生成的C/ c++代码中返回第一个n
输出的预测
按输出列中给出的顺序函数。
模型 | 预测 的函数模型 |
输出 |
---|---|---|
多包分类的二进制决策树 | 预测 |
标签 (预测类标签),分数 (后验概率),节点 (预测类的节点数),cnum (预测标签的类别数) |
支持向量机用于一类和二值分类 | 预测 |
标签 (预测类标签),分数 (分数或后验概率) |
二元分类的线性模型 | 预测 |
标签 (预测类标签),分数 (分类评分) |
支持向量机的多分类模型和线性模型 | 预测 |
标签 (预测类标签),NegLoss (减去平均二进制损耗),PBScore (positive-class分数) |
二叉决策树的回归 | 预测 |
Yfit (预测的答复),节点 (用于预测的节点号) |
SVM回归 | 预测 |
yfit (预测的答复) |
线性回归 | 预测 |
yhat (预测的答复) |
例如,如果您指定'numoutputs',1
的SVM分类模型,则预测
在生成的C/ c++代码中返回预测的类标签。
在创建编码器配置器之后配置
,您可以使用点表示法修改输出的数量。
配置。NumOutputs= 2;
的“NumOutputs”
名称-值对参数等效于“-nargout”
编译器选项的codegen
(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.
编码器配置器生成两个入口点函数 -预测.M.
和update.m
为预测
和更新
函数Mdl
,并为两个入口点函数生成C/ c++代码。的指定值“NumOutputs”
中输出参数的数量预测.M.
.
例子:'numoutputs',2
数据类型:单
|双倍的
“OutputFileName”
- - - - - -生成的C/ c++代码的文件名Mdl
对象名称+“模型”
(默认)|字符向量|字符串标量生成的C / C ++代码的文件名,指定为逗号分隔对组成“OutputFileName”
以及字符向量或字符串标量。
的目标函数Generatecode.
编码配置器的文件使用此文件名生成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。
默认文件名为对象名Mdl
紧随其后的是“模型”
.例如,如果Mdl
是一个CompactClassificationsVM.
或ClassificationSVM
对象,然后默认名称是'pressificationsvmmodel'
.
在创建编码器配置器之后配置
,您可以使用点表示法修改文件名。
配置。OutputFileName =“myModel”;
例子:“OutputFileName”、“myModel”
数据类型:char
|字符串
'verbose'
- - - - - -冗长的水平真正的
(逻辑1)(默认)|假
(逻辑0)详细级别,指定为逗号分隔对组成'verbose'
和任何一种真正的
(逻辑1)或假
(逻辑0)。冗长级别控制在命令行显示编码器配置器的通知消息配置
.
价值 | 描述 |
---|---|
真正的 (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) |
该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级别。
配置。详细的= false;
例子:“详细”,假的
数据类型:逻辑
'观察'
- - - - - -预测数据观测维数“行”
(默认)|“列”
预测器数据观测维数,由指定的逗号分隔对组成'观察'
和任何一种“行”
或“列”
.如果你设置了'观察'
来“列”
,然后是预测的数据X
必须是定向的,以便观察值对应于列。
请注意
的“列”
选项仅适用于线性模型和带有线性二元学习者的ECOC模型。
例子:“ObservationsIn”、“列”
配置
——编码器配置机器学习模型的编码器配置程序,作为此表中的编码器配置器对象之一返回。
模型 | 编码器配置对象 |
---|---|
多包分类的二进制决策树 | ClassificationTreeCoderConfigurer |
支持向量机用于一类和二值分类 | ClassificationSVMCoderConfigurer |
二元分类的线性模型 | ClassificeLcoderConfigurer. |
支持向量机的多分类模型和线性模型 | ClassificationECOCCoderConfigurer |
二叉决策树的回归 | RegressionTreeCoderConfigurer |
金宝app支持向量机(SVM)回归 | RegressionSVMCoderConfigurer |
线性回归 | RegressionLinearCoderConfigurer |
使用编码器配置器对象的对象函数和属性来配置代码生成选项,并为预测
和更新
机器学习模型的功能。
你点击一个链接对应于这个MATLAB命令:
在MATLAB命令窗口中输入它来运行命令。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。