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。

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:

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。

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．

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:

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。