更新代码生成的模型参数
生成C/ c++代码预测
和更新
通过使用编码器配置器对象实现机器学习模型的功能。使用learnerCoderConfigurer
和它的目标函数generateCode
.然后你可以用更新
函数来更新生成的代码中的模型参数,而无需重新生成代码。当您使用新数据或设置重新训练模型时,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。
此流程图显示了使用编码器配置器的代码生成工作流。使用更新
为突出显示的步骤。
如果不生成代码,则不需要使用更新
函数。当你在MATLAB中重新训练一个模型®,返回的模型已包含修改的参数。
的更新版本updatedMdl
=更新(Mdl
,参数个数
)Mdl
包含新参数的参数个数
.
在重新培训一个模型后,使用验证更新输入
函数用于检测重新训练模型中的修改参数,并验证修改后的参数值是否满足参数的编码器属性。使用验证更新输入
,已验证的参数,作为输入参数个数
更新模型参数。
使用部分数据集训练支持向量机模型,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支持向量机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
加载电离层
数据集。这个数据集有34个预测器和351个雷达回波的二进制响应,或者是坏的(“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
控件创建一个编码器配置器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。另外,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,以便在重新训练模型后更新生成代码中的参数。此示例指定要传递给生成代码的预测器数据的编码器属性,以及支持向量机模型的支持向量的编码器属性。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。
configurer.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正
大小是可变的,也就是说X
可以有任意数量的观察值。如果您在生成代码时不知道观察值的数量,则可以使用此规范。
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个预测器,因此SizeVector
属性的值必须为34VariableDimensions
属性必须是假
.
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属性已被修改以满足配置约束。修改了SupportVectorLabels的Si金宝appzeVector属性以满足配置约束。
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
,然后软件修改的编码器属性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,请参阅更改默认编译器.
使用generateCode
生成的代码预测
和更新
支持向量机分类模型的功能(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”、“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predict.m
和更新.m
为预测
和更新
的功能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函数中调用入口点函数,请将函数名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);
比较标签
和标签
通过使用isequal
.
label_mex isequal(标签)
ans =逻辑1
isequal
返回逻辑1 (符合事实的
),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
可能包括舍入差异与分数
.在这种情况下,比较score_mex
和分数
,允许较小的公差。
找到(abs (score-score_mex) > 1 e-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1 e-8
.
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 = fitcsvm (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=ValidateUpdateInputs(配置器、重新训练的DMDL);
更新生成代码中的参数。
ClassificationSVMModel (“更新”params)
验证生成的代码
比较来自预测
的函数retrainedMdl
和预测
更新的MEX函数中的函数。
(标签,分数)=预测(retrainedMdl X);[label_mex, score_mex] = ClassificationSVMModel (“预测”, X);label_mex isequal(标签)
ans =逻辑1
找到(abs (score-score_mex) > 1 e-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。
使用支持向量机二进制学习器训练纠错输出码(ECOC)模型,并为该模型创建编码器配置器。使用编码器配置器的属性来指定ECOC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。然后使用不同的设置重新训练模型,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
载入费雪的虹膜数据集。
负载fisheririsX =量;Y =物种;
创建一个支持向量机二元学习模板,使用高斯核函数和标准化预测数据。
t = templateSVM (“内核函数”,“高斯”,“标准化”,对);
使用模板训练一个多类ECOC模型t
.
Mdl=FITCECOCC(X,Y,“学习者”t);
Mdl
是一个ClassificationECOC
对象
创建编码器配置
控件创建一个编码器配置器ClassificationECOC
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
函数,它是预测的标号和负的平均二进制损耗。
配置= learnerCoderConfigurer (Mdl X,“NumOutputs”,2)
配置= ClassificationECOCCoderConfigurer属性:更新输入:BinaryLearners:之前[1 x1 ClassificationSVMCoderConfigurer]: [1 x1 LearnerCoderInput]成本:[1 x1 LearnerCoderInput]预测输入:X: [1 x1 LearnerCoderInput]代码生成参数:NumOutputs: 2 OutputFileName:“ClassificationECOCModel”属性,方法
配置
是一个ClassificationECOCCoderConfigurer
对象的编码配置器ClassificationECOC
对象的可调输入参数预测
和更新
:X
,BinaryLearners
,先前的
和成本
.
指定参数的编码器属性
指定的编码器属性预测
参数(预测器数据和名称-值对参数)“解码”
和“BinaryLoss”
),更新
参数(支持向量机学习器金宝app的支持向量),以便您可以使用这些参数作为的输入参数预测
和更新
在生成的代码中。
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。
[Inf 4];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正
大小是可变的,也就是说X
可以有任意数量的观察值。如果您在生成代码时不知道观察值的数量,则可以使用此规范。
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4个预测器,因此SizeVector
属性的第二个值必须为4VariableDimensions
属性必须是假
.
接下来,修改的编码器属性BinaryLoss
和解码
使用“BinaryLoss”
和“解码”
生成的代码中的名称-值对参数。显示BinaryLoss
.
配置。BinaryLoss
ans = EnumeratedInput与属性:值:'hinge' SelectedOption: ' built ' BuiltInOptions: {1x7 cell} IsConstant: 1可调性:0
若要在生成的代码中使用非默认值,必须在生成代码之前指定该值。指定价值
的属性BinaryLoss
作为“指数”
.
configurer.BinaryLoss.Value =“指数”;配置。BinaryLoss
ans = EnumeratedInput与属性:值:'指数' SelectedOption: '内置' BuiltInOptions: {1x7 cell} IsConstant: 1可调性:1
当修改属性值时可调谐性
是假
(逻辑0),软件设置可调谐性
到符合事实的
(逻辑1)。
的编码属性解码
.
配置。解码
ans = EnumeratedInput与属性:值:' lossweights ' SelectedOption: ' built ' BuiltInOptions: {' lossweights ' ' losssbased '} IsConstant: 1可调性:0
指定IsConstant
的属性解码
作为假
以便使用。中的所有可用值BuiltInOptions
在生成的代码中。
configurer.Decoding.IsConstant = false;配置。解码
ans = EnumeratedInput的属性:值:[1x1 LearnerCoderInput] SelectedOption: 'NonConstant' BuiltInOptions: {' lossweightight ' ' losssbased '} IsConstant: 0可调性:1
软件改变了价值
的属性解码
到一个LearnerCoderInput
对象,以便两者都可以使用“lossweighted”
和“以损失为基础
的价值“解码”
. 此外,软件还设置SelectedOption
到“非常数的”
和可调谐性
到符合事实的
.
最后,修改的编码器属性金宝appSupportVectors
在BinaryLearners
.的编码属性金宝appSupportVectors
.
configurer.BinaryLearners.金宝appSupportVectors
ans = LearnerCoderInput带有属性:SizeVector: [54 4] VariableDimensions: [1 0] DataType: 'double'可调性:1
的默认值VariableDimensions
是(真假)
因为每个学习者都有不同数量的支持向量。金宝app如果您使用新的数据或不同的设置重新训练ECOC模型,SVM学习器中的支持向量的数量可能会有所不同。金宝app因此,增大支持向量数目的上界。金宝app
configurer.BinaryLearners.金宝appSupportVectors.SizeVector=[150 4];
Alpha的SizeVector属性已被修改以满足配置约束。修改了SupportVectorLabels的Si金宝appzeVector属性以满足配置约束。
的编码器属性金宝appSupportVectors
,然后软件修改的编码器属性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。
显示编码器配置器。
配置
配置= ClassificationECOCCoderConfigurer属性:更新输入:BinaryLearners:之前[1 x1 ClassificationSVMCoderConfigurer]: [1 x1 LearnerCoderInput]成本:[1 x1 LearnerCoderInput]预测输入:X: [1 x1 LearnerCoderInput] BinaryLoss: [1 x1 EnumeratedInput]解码:[1 x1 EnumeratedInput]代码生成参数:NumOutputs:2 OutputFileName: 'ClassificationECOCModel'属性,方法
现在显示包括BinaryLoss
和解码
也
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,请参阅更改默认编译器.
为预测
和更新
ECOC分类模型的功能(Mdl
).
生成代码(配置器)
generateCode在输出文件夹中创建这些文件:“initialize.m”、“predict.m”、“update.m”、“ClassificationeComModel.mat”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ClassificationECOCModel
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\ ClassificationECOCModel
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
函数中返回相同的标签。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。因为你指定的“解码”
作为可调参数,通过更改IsConstant
属性在生成代码之前,您还需要在对MEX函数的调用中指定它,即使如此“lossweighted”
默认值是“解码”
.
[标签,NegLoss] =预测(Mdl X,“BinaryLoss”,“指数”);[label_mex, NegLoss_mex] = ClassificationECOCModel (“预测”, X,“BinaryLoss”,“指数”,“解码”,“lossweighted”);
比较标签
到标签
通过使用isequal
.
label_mex isequal(标签)
ans =逻辑1
isequal
返回逻辑1 (符合事实的
),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。
NegLoss_mex
可能包括与NegLoss
.在这种情况下,比较NegLoss_mex
到NegLoss
,允许较小的公差。
找到(abs (NegLoss-NegLoss_mex) > 1 e-8)
Ans = 0x1空双列向量
对比证实了NegLoss
和NegLoss_mex
在公差内是相等的吗1 e-8
.
在生成的代码中重新训练模型和更新参数
使用不同的设置重新训练模型。指定“KernelScale”
作为“汽车”
因此,软件使用启发式程序选择适当的比例因子。
t_new=模板SVM(“内核函数”,“高斯”,“标准化”符合事实的“KernelScale”,“汽车”);retrainedMdl = fitcecoc (X, Y,“学习者”, t_new);
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=ValidateUpdateInputs(配置器、重新训练的DMDL);
更新生成代码中的参数。
ClassificationECOCModel (“更新”params)
验证生成的代码
比较来自预测
的函数retrainedMdl
的输出预测
更新的MEX函数中的函数。
[标签,NegLoss] =预测(retrainedMdl X,“BinaryLoss”,“指数”,“解码”,“lossbased”);[label_mex, NegLoss_mex] = ClassificationECOCModel (“预测”, X,“BinaryLoss”,“指数”,“解码”,“lossbased”);label_mex isequal(标签)
ans =逻辑1
找到(abs (NegLoss-NegLoss_mex) > 1 e-8)
Ans = 0x1空双列向量
对比证实了标签
和标签
平等,平等,NegLoss
和NegLoss_mex
在公差范围内是相等的。
使用部分数据集训金宝app练支持向量机(SVM)模型,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支持向量机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,用于预测新的预测器数据的响应。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
加载卡斯莫尔
数据集和训练支持向量机回归模型使用前50个观察。
负载卡斯莫尔X =(功率、重量);Y = MPG;Mdl = fitrsvm (X (1:50:), Y (1:50));
Mdl
是一个RegressionSVM
对象
创建编码器配置
控件创建一个编码器配置器RegressionSVM
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。
configurer=learnercoderconfiguer(Mdl,X(1:50,:);
配置
是一个回归VMCoderConfigure
对象的编码配置器RegressionSVM
对象
指定参数的编码器属性
指定支持向量机回归模型参数的编码器属性,以便您可以在重新训练模型后更新生成代码中的参数。此示例指定要传递给生成代码的预测器数据的编码器属性,以及支持向量机回归模型的支持向量的编码器属性。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 2];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正
大小是可变的,也就是说X
可以有任意数量的观察值。如果您在生成代码时不知道观察值的数量,则可以使用此规范。
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
包含两个预测器,因此SizeVector
属性必须为2,并且VariableDimensions
属性必须是假
.
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
configurer.金宝appSupportVectors.SizeVector=[250 2];
Alpha的SizeVector属性已被修改以满足配置约束。
configurer.金宝appSupportVectors.VariableDimensions = [true false];
已修改Alpha的VariableDimensions属性以满足配置约束。
的编码器属性金宝appSupportVectors
,然后软件修改的编码器属性α
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,请参阅更改默认编译器.
使用generateCode
生成的代码预测
和更新
支持向量机回归模型(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”、“RegressionSVMModel。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predict.m
和更新.m
为预测
和更新
的功能Mdl
,分别。然后generateCode
创建一个名为回归模型
的两个入口点函数codegen \墨西哥人\ RegressionSVMModel
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
函数返回相同的预测响应。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。
yfit =预测(Mdl X);yfit_mex = RegressionSVMModel (“预测”, X);
yfit_mex
可能包括舍入差异与yfit
.在这种情况下,比较yfit
和yfit_mex
,允许较小的公差。
找到(abs (yfit-yfit_mex) > 1 e-6)
Ans = 0x1空双列向量
对比证实了yfit
和yfit_mex
在公差内是相等的吗1 e-6
.
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。
再培训DMDL=fitrsvm(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=ValidateUpdateInputs(配置器、重新训练的DMDL);
更新生成代码中的参数。
RegressionSVMModel (“更新”params)
验证生成的代码
比较来自预测
的函数retrainedMdl
和预测
更新的MEX函数中的函数。
yfit =预测(retrainedMdl X);yfit_mex = RegressionSVMModel (“预测”, X);找到(abs (yfit-yfit_mex) > 1 e-6)
Ans = 0x1空双列向量
对比证实了yfit
和yfit_mex
在公差内是相等的吗1 e-6
.
使用部分数据集训练回归树,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来生成C代码,用于预测新的预测器数据的响应。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carbig
数据集,并训练回归树模型使用一半的观察。
负载carbigX =[排量马力重量];Y = MPG;rng (“默认”)%的再现性n =长度(Y);idxTrain = randsample (n, n / 2);XTrain = X (idxTrain:);YTrain = Y (idxTrain);Mdl = fitrtree (XTrain YTrain);
Mdl
是一个RegressionTree
对象
创建编码器配置
控件创建一个编码器配置器RegressionTree
模型通过使用learnerCoderConfigurer
.指定预测器数据XTrain
.的learnerCoderConfigurer
函数使用输入XTrain
属性的编码器属性预测
函数的输入。另外,将输出的数量设置为2,以便生成的代码返回预测的响应和预测的节点号。
配置= learnerCoderConfigurer (Mdl XTrain,“NumOutputs”2);
配置
是一个回归树配置器
对象的编码配置器RegressionTree
对象
指定参数的编码器属性
指定回归树模型参数的编码器属性,以便您可以在重新训练模型后更新生成代码中的参数。
指定代码的编码器属性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 3];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变量的数量。对于机器学习模型,这个值必须是固定的。由于预测器数据包含3个预测器,因此SizeVector
属性必须是3.
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
,割点
,CutPredictorIndex
或NodeMean
.然后软件会自动修改其他属性。
的第一个值SizeVector
的属性NodeMean
财产正
.软件修改SizeVector
和VariableDimensions
的属性孩子们
,割点
和CutPredictorIndex
以匹配树中节点数目的新上限。的第一个值VariableDimensions
的属性NodeMean
更改1
.
[Inf 1];
已修改子项的SizeVector属性以满足配置约束。已修改切割点的SizeVector属性以满足配置约束。已修改CutPredictIndex的SizeVector属性以满足配置约束。已修改子项的VariableDimensions属性以满足配置约束配置约束。已修改切割点的VariableDimensions属性以满足配置约束。已修改CutPredictor索引的VariableDimensions属性以满足配置约束。
configurer.NodeMean.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,请参阅更改默认编译器.
为预测
和更新
回归树模型的功能(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”、“RegressionTreeModel。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。
创建一个名为回归树模型
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\ RegressionTreeModel
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
函数返回相同的预测响应。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。
[Yfit、节点]=预测(Mdl XTrain);[Yfit_mex, node_mex] = RegressionTreeModel (“预测”, XTrain);
比较Yfit
到Yfit_mex
和节点
到node_mex
.
马克斯(abs (Yfit-Yfit_mex), [],“所有”)
ans = 0
node_mex isequal(节点)
ans =逻辑1
一般来说Yfit_mex
可能包括与Yfit
.在本例中,比较证实了这一点Yfit
和Yfit_mex
是相等的。
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
函数中返回相同的节点号。
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 = fitrtree (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=ValidateUpdateInputs(配置器、重新训练的DMDL);
更新生成代码中的参数。
RegressionTreeModel (“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
更新的MEX函数中的函数。
[Yfit、节点]=预测(retrainedMdl X);[Yfit_mex, node_mex] = RegressionTreeModel (“预测”, X);马克斯(abs (Yfit-Yfit_mex), [],“所有”)
ans = 0
node_mex isequal(节点)
ans =逻辑1
通过比较,确认了预测响应和节点数是相等的。
Mdl
- - - - - -机器学习模型机器学习模型,指定为模型对象,如所支持模型表所示。金宝app
模型 | 模型对象 |
---|---|
用于多类分类的二叉决策树 | 紧分类树 |
支持向量机用于一类和二值分类 | CompactClassificationSVM |
二元分类的线性模型 | 分类线性 |
支持向量机的多分类模型和线性模型 | CompactClassificationECOC |
回归二叉决策树 | 紧回归树 |
金宝app支持向量机回归 | CompactRegressionSVM |
线性回归 | 回归线性 |
有关机器学习模型的代码生成使用说明和限制,请参阅模型对象页面的代码生成部分。
参数个数
- - - - - -参数更新机器学习模型中要更新的参数,指定为一个结构,每个参数都有一个字段要更新。
创造参数个数
通过使用验证更新输入
函数。该函数检测重新训练的模型中修改的参数,验证修改的参数值是否满足参数的编码器属性,并返回要更新的参数作为结构。
可以更新的参数集根据机器学习模型的不同而不同,如表中所述。
模型 | 参数更新 |
---|---|
用于多类分类的二叉决策树 | 孩子们 ,ClassProbability ,成本 ,割点 ,CutPredictorIndex ,先前的 |
支持向量机用于一类和二值分类 |
|
二元分类的线性模型 | 贝塔 ,偏见 ,成本 ,先前的 |
支持向量机的多分类模型和线性模型 | |
回归二叉决策树 | 孩子们 ,割点 ,CutPredictorIndex ,NodeMean |
支持向量机回归 |
|
线性回归 | 贝塔 ,偏见 |
如果在重新训练模型时修改表中列出的任何名称-值对参数,则不能使用更新
以更新参数。您必须再次生成C/C++代码。
模型 | 参数不支持更新金宝app |
---|---|
用于多类分类的二叉决策树 | 参数的fitctree - - - - - -“类名” ,“ScoreTransform” |
支持向量机用于一类和二值分类 | 参数的fitcsvm - - - - - -“类名” ,“内核函数” ,“多项式序” ,“ScoreTransform” ,“标准化” |
二元分类的线性模型 | 参数的fitclinear - - - - - -“类名” ,“ScoreTransform” |
支持向量机的多分类模型和线性模型 | 参数的 如果您指定二进制学习者 |
回归二叉决策树 | 参数的fitrtree - - - - - -“ResponseTransform” |
支持向量机回归 | 参数的菲特斯姆 - - - - - -“内核函数” ,“多项式序” ,“ResponseTransform” ,“标准化” |
线性回归 | 参数的fitrlinear - - - - - -“ResponseTransform” |
在编码器配置器工作流中,您使用generateCode
要创建更新.m
入口点函数和入口点函数的MEX函数。假设MEX函数的名称为myModel
,你叫更新
使用这种语法。
myModel (“更新”params)
要查看在入口点函数中如何使用本页描述的语法,请显示更新.m
和初始化.m
文件,使用类型
函数。
类型更新.m类型初始化.m
的内容的示例更新.m
和初始化.m
文件,请参阅使用编码器配置器生成代码.
在编码器配置器工作流中,Mdl
的输入参数更新
是否返回模型loadLearnerForCoder
.这个模型和updatedMdl
对象是简化的分类或回归模型,主要包含预测所需的属性。
使用注意事项及限制:
使用。创建编码器配置器learnerCoderConfigurer
然后生成代码预测
和更新
通过使用对象函数generateCode
.
机器学习模型的代码生成使用说明和局限性Mdl
,请参阅模型对象页面的代码生成部分。
模型 | 模型对象 |
---|---|
用于多类分类的二叉决策树 | 紧分类树 |
支持向量机用于一类和二值分类 | CompactClassificationSVM |
二元分类的线性模型 | 分类线性 |
支持向量机的多分类模型和线性模型 | CompactClassificationECOC |
回归二叉决策树 | 紧回归树 |
金宝app支持向量机回归 | CompactRegressionSVM |
线性回归 | 回归线性 |
有关更多信息,请参见代码生成简介.
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
您还可以从以下列表中选择网站:
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。