generateCode

火车模型

加载费雪的虹膜数据集。

负载fisheririsX =量;Y =物种;

创建一个二进制学习者模板使用高斯核函数的SVM和标准化预测数据。

t = templateSVM (“KernelFunction”,“高斯”,“标准化”,真正的);

使用模板训练多级ECOC模型t。

Mdl = fitcecoc (X, Y,“学习者”t);

Mdl是一个ClassificationECOC对象。

创建编码器配置

创建一个编码器的配置ClassificationECOC模型通过使用learnerCoderConfigurer。指定的预测数据X。的learnerCoderConfigurer函数使用的输入X配置的编码属性预测函数的输入。同时,设置输出的数量2,这样生成的代码返回的前两个输出预测函数,它是预测标签和否定平均二进制损失。

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,该对象是一个编码器的配置ClassificationECOC对象。显示器显示的可调输入参数预测和更新:X,BinaryLearners,之前,成本。

指定编码的属性参数

指定的编码属性预测参数(预测数据和参数名称-值对“解码”和“BinaryLoss”),更新参数的SVM(支持向量金宝app学习者),这样您就可以使用这些参数作为输入参数预测和更新在生成的代码。

首先,指定的编码属性X这样生成的代码接受任何数量的观察。修改SizeVector和VariableDimensions属性。的SizeVector属性指定的上界预测数据大小,和VariableDimensions属性指定每个维度的预测数据是否有一个变量大小或固定大小。

configurer.X。SizeVector= [Inf 4]; configurer.X.VariableDimensions = [true false];

第一个维度的大小是观测的数量。在这种情况下,代码指定大小的上限正和大小是可变的,这意味着X可以拥有任意数量的观察。这个规范是方便如果你不知道观察当生成代码的数量。

第二个维度是大小的预测变量的数量。这个值必须为一个固定的机器学习模型。X包含4预测,因此第二个值SizeVector属性必须是4,第二个值VariableDimensions属性必须假。

接下来,修改编码的属性BinaryLoss和解码使用“BinaryLoss”和“解码”名称-值对参数在生成的代码中。显示的编码属性BinaryLoss。

configurer.BinaryLoss

ans = EnumeratedInput属性:价值:“枢纽”SelectedOption:“内置”BuiltInOptions:{“汉明”“线性”“二次”“指数”“binodeviance”“枢纽”的分对数}IsConstant: 1可调谐性:0

使用默认的值在生成的代码中,您必须指定的值在生成代码。指定价值的属性BinaryLoss作为“指数”。

configurer.BinaryLoss。值=“指数”;configurer.BinaryLoss

ans = EnumeratedInput属性:价值:“指数”SelectedOption:“内置”BuiltInOptions:{“汉明”“线性”“二次”“指数”“binodeviance”“枢纽”的分对数}IsConstant: 1可调谐性:1

如果你修改属性值时可调谐性是假(逻辑0),软件设置可调谐性来真正的(逻辑1)。

显示的编码属性解码。

configurer.Decoding

ans = EnumeratedInput属性:价值:“lossweighted”SelectedOption:“内置”BuiltInOptions: {“lossweighted”“lossbased”} IsConstant: 1可调谐性:0

指定IsConstant的属性解码作为假因此,您可以使用所有可用的值BuiltInOptions在生成的代码。

configurer.Decoding。IsConstant = false;configurer.Decoding

ans = EnumeratedInput属性:价值:[1 x1 LearnerCoderInput] SelectedOption:“非常数的”BuiltInOptions: {“lossweighted”“lossbased”} IsConstant: 0可调谐性:1

软件变更价值的属性解码到一个LearnerCoderInput对象,这样你可以同时使用“lossweighted”和“lossbased”的价值“解码”。此外,软件设置SelectedOption来“非常数的”和可调谐性来真正的。

最后,修改编码的属性金宝appSupportVectors在BinaryLearners。显示的编码属性金宝appSupportVectors。

configurer.BinaryLearners.金宝appSupportVectors

ans = LearnerCoderInput属性:SizeVector: [54 4] VariableDimensions:[1 0]数据类型:“双”可调谐性: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如果你再培训ECOC模型使用新数据或不同的设置,支持向量的个数在SVM学习者可以有所不同。金宝app因此,提高支持向量的个数的上界。金宝app

configurer.BinaryLearners.金宝appSupportVectors。SizeVector = 150 [4];

αSizeVector属性已被修改,以满足配置约束。SizeVector属性SupportVector金宝appLabels已被修改,以满足配置约束。

如果你修改的编码属性金宝appSupportVectors,那么软件修改的编码属性α和金宝appSupportVectorLabels为了满足配置约束。如果编码器属性的修改一个参数需要对其他相关参数,以满足后续更改配置约束,那么软件更改的编码属性相关的参数。

显示编码器配置。

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

显示现在包括BinaryLoss和解码。

生成代码

生成C / c++代码,您必须访问一个C / c++编译器配置正确。MATLAB编码器定位和使用支持,安装编译器。金宝app您可以使用墨西哥人设置查看和更改默认编译器。更多细节,请参阅改变默认的编译器。

生成的代码预测和更新功能ECOC分类模型(Mdl)。

generateCode(配置)

generateCode输出文件夹中创建这些文件:初始化。米”、“预测。米”、“更新。米”、“ClassificationECOCModel。垫的代码生成成功。

的generateCode函数完成这些操作:

验证生成的代码

一些预测数据来验证是否通过预测的函数Mdl和预测墨西哥人的函数返回相同的标签。在墨西哥人叫一个入口点函数有多个入口点函数,函数名指定为第一个输入参数。因为你指定的“解码”作为一个可调输入参数通过改变IsConstant属性生成代码之前,您还需要指定调用墨西哥人的功能,尽管“lossweighted”的默认值吗“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”);

比较标签来label_mex通过使用isequal。

label_mex isequal(标签)

ans =逻辑1

isequal返回逻辑1 (真正的如果所有的输入都是平等的。确认进行了比较预测的函数Mdl和预测墨西哥人的函数返回相同的标签。

NegLoss_mex可能包括舍入差异比较NegLoss。在这种情况下,比较NegLoss_mex来NegLoss,允许一个小宽容。

找到(abs (NegLoss-NegLoss_mex) > 1 e-8)

ans = 0 x1空双列向量

比较证实,NegLoss和NegLoss_mex宽容是相等的1 e-8。

重新培训模型和更新参数生成的代码

重新培训模型使用不同的设置。指定“KernelScale”作为“汽车”这样的软件使用启发式程序选择合适的比例因子。

t_new = templateSVM (“KernelFunction”,“高斯”,“标准化”,真的,“KernelScale”,“汽车”);retrainedMdl = fitcecoc (X, Y,“学习者”,t_new);

提取参数更新使用validatedUpdateInputs。这个函数修正模型参数的检测retrainedMdl并验证修改后的参数值是否满足编码器的属性参数。

params = validatedUpdateInputs(配置、retrainedMdl);

在生成的代码更新参数。

ClassificationECOCModel (“更新”params)

验证生成的代码

比较的输出预测的函数retrainedMdl的输出预测功能更新的墨西哥人的功能。

[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 = 0 x1空双列向量

比较证实,标签和label_mex是相等的,NegLoss和NegLoss_mex宽容是相等的。