列车分类模型

加载Fisher的虹膜数据集。将标签转换为字符矩阵。

负载鱼腥草种类=炭（种类）；

使用整个数据集训练分类树。

Mdl=fitctree（MEA、物种）；

Mdl是一个ClassificationTree模型

使用保存模型saveLearnerForCoder

将经过训练的分类树保存到名为ClassTreeIris.mat在当前文件夹中使用saveLearnerForCoder.

MdlName=“ClassTreeIris”；saveLearnerForCoder（Mdl，MdlName）；

定义入口点函数

在当前文件夹中，定义一个名为mypredictTree.m这样做的目的如下：

您可以通过指定瓦拉金作为输入参数。有关详细信息，请参阅可变长度参数列表的代码生成（MATLAB编码器）.

类型mypredictTree.m%显示mypredictTree.m文件的内容

函数[label，score，node，cnum]=mypredictTree（x，savedmdl，varargin）%#codegen%MYPREDICTTREE使用分类树预测虹膜物种%MYPREDICTTREE使用存储在MAT文件%中的分类树（名称为savedmdl）预测%n×4矩阵x中n个观测值的虹膜物种，然后返回%数组标签中的预测。x的每一行包含虹膜的花瓣%和萼片（参见Fisherris数据集）。有关其他输出%参数的说明，请参见预测参考页。CompactMdl=loadLearnerForCoder（savedmdl）；[label，score，node，cnum]=predict（CompactMdl，x，varargin{:}）；end

注:如果单击此页面右上角的按钮并在MATLAB®中打开此示例，则MATLAB®将打开示例文件夹。此文件夹包括入口点函数文件。

生成代码

指定可变大小的参数

因为C和C++是静态类型的语言，所以必须使用编译时确定入口点函数中所有变量的属性。-args选择编码基因.

使用编码器常数（MATLAB编码器）指定编译时常量输入。

coder.Constant (v)

coder.Constant (v)创建一个编码器常数类型变量，其值为常量，与v，在代码生成期间。

使用编码员（MATLAB编码器）指定可变大小的输入。

编码员(example_value, size_vector, variable_dims)

价值观示例\u值,向量的大小和可变直径指定生成的代码可以接受的输入数组的属性。

入口点函数mypredictTree接受预测器数据、包含训练模型对象的MAT文件名以及可选的名称-值对参数。假设您希望生成接受预测数据的可变大小数组的代码，并且“子树”名称-值对参数，其值为一个可变大小的向量。然后有四个输入参数:预测器数据、mat文件名以及“子树”名称-值对参数。

定义一个4 × 1单元格数组，并将入口点函数的每个输入参数类型分配给每个单元格。

ARGS=细胞（4,1）；

对于第一个输入，使用编码员指定预测器数据变量是双精度的，列数与模型训练中使用的预测器数据相同，但观察数据(行)的数量是任意的。

p=numel（Mdl.Predictor名称）；ARGS{1}=coder.typeof（0[Inf，p]，[1,0]）；

0为示例\u值值表示数据类型为双重的因为双重的是MATLAB的默认数字数据类型。[Inf，p]为向量的大小价值与[1,0]为可变直径值表示第一个维度的大小是可变的且无限制的，而第二个维度的大小是固定的P.

第二个输入是mat文件名，它必须是一个编译时常量。使用编码器常数指定第二个输入的类型。

ARGS{2}=编码器常数（MdlName）；

的名称和值是最后两个输入“子树”名称-值对参数。名称-值对参数的名称必须是编译时常量。

ARGS{3}=编码器常数(“子树”);

使用编码员的值指定“子树”是双精度行向量，且行向量大小的上限为最大值（Mdl.PrunedList）.

m=最大值（Mdl.PruneList）；ARGS{4}=coder.typeof（0[1，m]，[0,1]）；

再一次0为示例\u值值表示数据类型为双重的因为双重的是MATLAB的默认数字数据类型。[1，m]为向量的大小价值与[0,1]为可变直径值表示第一个维度的大小固定为1.，并且第二维度的大小是可变的，其上限为M.

使用生成代码编码基因

从入口点函数生成MEX函数mypredictTree使用单元格数组ARGS，其中包括的输入参数类型mypredictTree. 使用-args选项使用-纳古特选项generate代码按照在入口点函数定义中出现的顺序包含指定数量的输出参数。

编码基因mypredictTree-argsARGS-纳古特2.

代码生成成功。

编码基因生成MEX函数mypredictTree\u mex在当前文件夹中具有与平台相关的扩展名。

这个预测函数接受单精度值、双精度值和“全部”为“子树”名称-值对参数。但是，在使用MEX函数进行预测时，只能指定双精度值，因为ARGS{4}是双倍的。

验证生成的代码

使用生成的MEX函数和修剪级别1的子树，预测从训练数据中随机选择15个值的标签。将MEX函数中的标签与预测.

rng (“默认”);%的再现性Xnew=datasample（meas，15）；[labelMEX，scoreMEX]=mypredictTree_-mex（Xnew，MdlName，“子树”,1); [labelPREDICT，scorePREDICT]=预测（Mdl，Xnew，“子树”,1); labelPREDICT

labelPREDICT=15x10字符阵列“virginica”“virginica”“setosa”“virginica”“versicolor”“setosa”“setosa”“versicolor”“virginica”“virginica”“setosa”“virginica”“virginica”“versicolor”“virginica”

labelMEX

labelMEX =15 x1细胞{'virginica'}{'virginica'}{'setosa'}{'versicolor'}{'setosa'}{'versicolor'}{'virginica'}{'virginica'}{'setosa'}{'virginica'}{'versicolor'}{'virginica'}{'versicolor'}{'virginica'}

除了数据类型之外，预测的标签与MEX函数标签相同。响应数据类型为时烧焦和编码基因无法确定子树是标量，则生成代码的输出是字符向量的单元数组。

为了进行比较，您可以将标签预测创建一个单元格数组并使用等质量.

cell_labelPREDICT=cellstr（labelPREDICT）；verifyLabel=isequal（labelMEX、cell_labelPREDICT）

验证标签=必然的1.

等质量返回逻辑1 (真正的)，这意味着所有输入都相等。

也比较第二个输出。scoreMex可能包括与之相比的四舍五入差异分数预测.在这种情况下，比较scoreMEX和分数预测，允许较小的公差。

找到(abs (scorePREDICT-scoreMEX) > 1 e-8)

ans=0x1空双列向量

发现如果分数预测和scoreMEX不大于规定的公差1e-8. 这一比较证实了这一点分数预测和scoreMEX在公差范围内是相等的1 e-8.