预处理数据

加载人口普查1994.数据集。该数据集包括来自美国人口普查局的人口统计数据，用于预测个人每年赚50,000美元。

加载人口普查1994.

考虑一个模型，预测员工的薪酬类别，鉴于其年龄，工人阶级，教育水平，资本收益和损失以及每周工作时间的数量。提取感兴趣的变量并使用表保存它们。

台= adultdata (:, {'年龄',“教育数量”,“资本收益”,'capital_loss',“hours_per_week”}）;

打印表的摘要。

摘要（TBL）

变量：年龄：32561x1双倍值：最小17中位数37最大90教育人数：32561x1双倍值：最小1中位数10最大16资本收益：32561x1双倍值：最小0中位数0最大9999资本损失：32561x1双倍值：最小0中位数0最大4356小时/周：32561x1双倍值：最小1中位数40最大99

变量的尺度不一致。在这种情况下，可以通过指定“标准化”名称 - 值对参数fitcsvm．但是，将标准化的操作添加到固定点代码可以减少精度并提高内存使用。相反，您可以手动标准化数据集，如本示例所示。该示例还介绍了如何在最后检查内存使用。

固定点代码生成不支持表或分类阵列。金宝app所以，定义预测器数据X使用数字矩阵，并定义类标签Y使用逻辑向量。在二进制分类问题中，逻辑向量使用内存的效率最高。

x = table2Array（TBL）;Y = AdultData.Salary =='<= 50k';

定义观测权值W．

w = adultdata.fnlwgt;

随着模型中的支持向量的数量增加，记忆使用训练模型增加。金宝app为了减少支持向量的数量，您可以使用使用时培训时增金宝app加框约束'boxconstraint'名称 - 值对参数或使用用于培训的分布代表数据。请注意，增加框约束可以导致较长的训练时间，并且使用限制数据集可以降低训练模型的准确性。在此示例中，您可以从数据集中随机示例，并使用用于训练的限制数据。

rng (“默认”)%的再现性[x_sampled，idx] = datasample（x，1000，'代替'，错误的）;y_sampled = y（idx）;w_sampled = w（idx）;

使用使用模型来找到加权手段和标准偏差'重量'和“标准化”名称值对参数。

tempmdl = fitcsvm（x_sampled，y_sampled，'重量'w_sampled,'骨箱','高斯',“标准化”，真的）;mu = tempmdl.mu;sigma = tempmdl.sigma;

如果你不使用“成本”,“之前”， 或者'重量'的名称-值对参数，然后可以通过使用ZScore.函数。

[标准化x_sampled，mu，sigma] = zscore（x_sampled）;

通过使用标准化预测器数据亩和西格玛．

标准化x =（x-mu）./ sigma;标准化x_sampled =标准化x（idx，:);

您可以使用测试数据集来验证培训的模型并测试仪表后的MEX功能。指定测试数据集并通过使用标准化测试预测器数据亩和西格玛．

xtest = table2array（AdutherTest（：，{'年龄',“教育数量”,“资本收益”,'capital_loss',“hours_per_week”}））;standardizedXTest = (XTest-mu)。/σ;欧美=成人。工资= ='<= 50k';

火车模型

培训二进制SVM分类模型。

mdl = fitcsvm（标准化x_sampled，y_sampled，'重量'w_sampled,'骨箱','高斯'）;

MDL.是A.ClassificationSVM模型。

计算培训数据集的分类错误和测试数据集。

损失（MDL，标准化x_sampled，y_sampled）

ans=0.1663

损失（MDL，标准化标准，ytest）

ans = 0.1905

SVM分类器错误分类约17％的培训数据和19％的测试数据。

保存模型

将SVM分类模型保存到文件中mymdl.mat通过使用Savelarnerforcoder.．

SavelAlnerForCoder（MDL，“myMdl”）;

定义固定点数据类型

用generatelearnerdatatypefcn.生成一个函数，定义支持向量机模型预测所需变量的定点数据类型。使用所有可用的预测器数据来获得定点数据类型的真实范围。

generatelearnerdatatypefcn（“myMdl”，[standardizedX；standardizedXTest]）

generatelearnerdatatypefcn.生成myMdl_数据类型函数。显示内容mymdl_datatype.m.通过使用类型函数。

类型mymdl_datatype.m.

函数T=myMdl\u数据类型（dt）%myMdl\u数据类型定义定点代码生成的数据类型%%T=myMdl\u数据类型（dt）返回数据类型结构T，它为生成用于预测机器学习模型的定点C/C++代码%所需的变量定义%数据类型。T的每个字段包含fi返回的%定点对象。输入参数dt指定定点对象的%DataType属性。将dt指定为“fixed”（默认值）%用于定点代码生成，或将dt指定为“Double”以模拟定点代码的%浮点行为。%%使用输出结构T作为入口点%函数的输入参数和%entry point函数中loadLearnerForCoder的第二个输入参数。有关详细信息，请参阅loadLearnerForCoder。%File:myMdl_数据类型。m%统计和机器学习工具箱版本12.1（R2021a版）%由MATLAB生成，2021年2月23日19:10:54，如果nargin<1 dt=‘固定’；结束%设置定点数学设置fm=fimath（'RoundingMethod'、'Floor'、…'OverflowAction'、'Wrap'、…'ProductMode'、'FullPrecision'、…'MaxProductWordLength'，128、'SumMode'、'FullPrecision'、…'MaxSumWordLength'，128）；%预测数据的数据类型T.XDataType=fi（[]，true，16,11，fm，'DataType'，dt）；%输出分数T.ScoreDataType=fi（[]，true，16,14，fm，'DataType'，dt）；%内部变量%距离平方的数据类型dist=（x-sv）^2对于高斯核G（x，sv）=exp（-dist），%其中x是观测的预测数据，sv是支持向量T.InnerProductDataType=fi（[]，true，16,6，fm，'DataType'，dt）；结束金宝app

笔记：如果单击该示例的右上角的按钮并在MATLAB®中打开示例，则MATLAB将打开示例文件夹。此文件夹包含入口点函数文件。

这个myMdl_数据类型函数使用默认字长度（16）并提出最大分数长度，以避免每个变量的默认字长度（16）和安全距（10％）避免溢出。

创建一个结构T通过使用定义固定点数据类型myMdl_数据类型．

T=myMdl_数据类型('固定的')

t =结构与字段：XDatatype：[0x0 Embedded.fi] scoringatatype：[0x0嵌入式.fi] InnerProductDattype：[0x0嵌入式.FI]

结构T包括运行所需的名称和内部变量的字段预测函数。每个字段包含一个定点对象，由fi(定点设计师)．例如，显示预测器数据的固定点数据类型属性。

t.xdatatype.

ANS = []数据款项：FIRED POINT：二进制点缩放签名：签名WordLength：16 FractionLength：11 roundingMethod：地板溢出：Wrap ProductionMode：FullPrecision MaxProductwordLength：128 Summode：FullPrecision MaxSumwordLength：128

有关生成的函数和结构的更多详细信息，请参阅数据类型功能．

定义入口点函数

定义命名的入口点函数myfixedpointpredict这有以下内容：

功能(标签,分数)= myFixedPointPredict (X, T)％＃codegen.Mdl=loadLearnerForCoder(“myMdl”,'数据类型'T);(标签,分数)=预测(Mdl X);结尾

(可选)优化定点数据类型

通过使用优化固定点数据类型buildInstrumentedMex和showinstumastation.cresults.．通过使用记录所有命名和内部变量的最小值和最大值buildInstrumentedMex．使用仪器使用showinstumastation.cresults.;然后，根据结果，调整变量的定点数据类型属性。

指定输入参数函数的输入参数类型

的输入参数类型myfixedpointpredict使用2×1个单元格阵列。

ARGS=单元（2,1）；

第一个输入参数是预测器数据XDataType结构场T指定预测器数据的定点数据类型。转变X到中指定的类型t.xdatatype.通过使用投掷(定点设计师)函数。

x_fx =施放（标准化x，'喜欢'，t.xdatatype）;

测试数据集不具有与训练数据集相同的大小。指定ARGS{1}通过使用Coder.typeof.（MATLAB编码器）因此MEX功能可以采用可变大小的输入。

ARGS {1} = coder.typeof (X_fx、大小(standardizedX) [1,0]);

第二个输入参数是结构T，这必须是编译时间常数。用编码器.Constant.（MATLAB编码器）指定T作为代码生成期间的常量。

args {2} =编码器.Constant（t）;

创建仪表型MEX功能

通过使用创建仪器化的MEX功能buildInstrumentedMex(定点设计师)．

buildInstrumentedMexmyfixedpointpredict-argsARGS-OmyFixedPointPredict\u仪表化-直方图- 探讨

代码成功。

测试仪器型MEX功能

运行仪器化的MEX功能以记录仪器结果。

[labels_fx1，scores_fx1]=myFixedPointPredict_instrumented（X_fx，T）；

您可以多次运行录音MEX功能以从各种测试数据集记录结果。使用仪器化的MEX功能使用标准化的东西．

xtest_fx = cast（标准化名称，'喜欢'，t.xdatatype）;[labels_fx1_test，scors_fx1_test] = myfixedpointpredict_instrumented（xtest_fx，t）;

查看仪表型MEX功能的结果

称呼showinstumastation.cresults.(定点设计师)打开包含仪器结果的报告。查看模拟最小值和最大值，提出的分数长度，电流范围的百分比和整个数字状态。

显示仪器结果('myfixedpointpredict_instrumented')

中建议的单词长度和分数长度X与那些相同XDataType在结构中T．

通过单击查看变量的直方图在这一点变量标签。

窗口包含具有有关变量信息的直方图和对话面板。有关此窗口的信息，请参阅numerictyPescope.(定点设计师)参考页面。

通过使用清除结果clearInstrumentationResults.(定点设计师)．

clearInstrumentationResults（'myfixedpointpredict_instrumented')

验证仪器函数

比较输出预测和myFixedPointPredict\u仪表化．

[标签，分数]=预测（Mdl，standardizedX）；验证标签1=isequal（标签，标签1）

验证_labels1 =符合逻辑的0

等质量如果返回逻辑1（true）如果标签和labels_fx1相等。如果标签不相等，可以按如下方式计算分类错误标签的百分比。

diff_labels1 = sum（strcmp（strcmp（labels_fx1），string（标签））== 0）/长度（标签_fx1）* 100

diff_labels1 = 0.1228

找到分数输出之间的相对差异的最大值。

diff_scores1 = max（abs（（scors_fx1.double（：，1）-scores（：，1））./ scores（：1））））

diff_scores1 = 83.0713.

调整定点数据类型

如果录制的结果显示溢出或下溢，或者您想提高生成的代码的精度，则可以调整固定点数据类型。通过更新来修改固定点数据类型myMdl_数据类型函数并创建新结构，然后使用新结构生成代码。更新myMdl_数据类型功能，您可以手动修改函数文件中的固定点数据类型（mymdl_datatype.m.）。或者，您可以通过使用来生成功能generatelearnerdatatypefcn.并指定较长的单词长度，如本例所示。有关详细信息，请参见提示．

生成一个新的数据类型函数。指定单词长度为32和名称myMdl_数据类型2为生成的函数。

generatelearnerdatatypefcn（“myMdl”，[standardizedX；standardizedXTest]，“字”，32，'OutputFunctionName',“myMdl_datatype2”)

显示内容mymdl_datatype2.m.．

类型mymdl_datatype2.m.

函数t = mymdl_datatype2（dt）％mymdl_datatype2定义了固定点代码生成的数据类型，生成％％t = mymdl_datatype2（dt）返回数据类型结构t，它为生成固定点C / C ++所需的变量定义％数据类型代码％以预测机器学习模型。每个T的每个字段都包含FI返回的％固定点对象。输入参数DT指定“固定点”对象的％DataType属性。将DT指定为“固定”（默认）为固定点代码生成或指定DT为“双”以模拟固定点代码的％浮点行为。%%使用输出结构t作为入口点％函数的输入参数和％入口点函数中的loadlearnerforcoder的第二个输入参数。有关更多信息，请参阅LoadLearnerForCoder。％文件：mymdl_datatype2.m％统计和机器学习工具箱版本12.1（发布r2021a）％由matlab生成，23-feb-2021 19:12:22如果nargin <1 dt ='固定';END％SET定点数学设置FM = FIMATH（'roundingMethod'，'floor'，...'overflowation'，'wrap'，...'productmode'，'fullprecision'，...'maxproductwordlength'，128，...'summode'，'fourprecision'，...'maxsumwordlength'，128）;预测器数据的％数据类型t.xdatatype = fi（[]，true，32,27，fm，'datatype'，dt）; % Data type for output score T.ScoreDataType = fi([],true,32,30,fm,'DataType',dt); % Internal variables % Data type of the squared distance dist = (x-sv)^2 for the Gaussian kernel G(x,sv) = exp(-dist), % where x is the predictor data for an observation and sv is a support vector T.InnerProductDataType = fi([],true,32,22,fm,'DataType',dt); end

这个myMdl_数据类型2函数指定字长32，并建议最大分数长度以避免溢出。

创建一个结构T2.通过使用定义固定点数据类型myMdl_数据类型2．

T2 = myMdl_datatype2 ('固定的')

t2 =结构与字段：XDatatype：[0x0 Embedded.fi] scoringatatype：[0x0嵌入式.fi] InnerProductDattype：[0x0嵌入式.FI]

创建一个新的仪表函数，记录结果，并通过使用查看结果buildInstrumentedMex和showinstumastation.cresults.．

X_fx2=铸件（标准化X，'喜欢', T2.XDataType);buildInstrumentedMexmyfixedpointpredict-args{x_fx2，coder.constant（t2）}-Omyfixedpointpredict_instrumented2-直方图- 探讨

代码成功。

[labels_fx2，scors_fx2] = myfixedpointpredict_instrumented2（x_fx2，t2）;显示仪器结果(“myFixedPointPredict\u instrumented2”)

查看仪器报告，然后清除结果。

clearInstrumentationResults（“myFixedPointPredict\u instrumented2”)

验证myfixedpointpredict_instrumented2．

验证\u labels2=isequal（标签，标签\u fx2）

验证_labels2 =符合逻辑的0

diff_labels2 = sum（strcmp（string（labels_fx2），string（标签））== 0）/ length（labels_fx2）* 100

diff_labels2 = 0.0031

diff_scores2 = max（abs（（scores_fx2.double（：，1）-scores（：，1））./ scores（：1）））

diff_scores2 = 2.0602

错误分类标签的百分比diff_labels2.分数值的相对差异diff_scores2.小于使用默认字长度生成的先前MEX函数（16）的那些。

有关通过检测MATLAB®代码优化定点数据类型的更多详细信息，请参阅参考页buildInstrumentedMex(定点设计师),showinstumastation.cresults.(定点设计师)， 和clearInstrumentationResults.(定点设计师)，以及例子使用min / max仪器设置数据类型(定点设计师)．

生成代码

使用生成入口点函数的代码Codegen.．而不是指定用于预测器数据集的可变大小输入，请通过使用指定固定大小的输入Coder.typeof.．如果您知道传递给生成的代码的预测器数据集的大小，则优选为固定大小输入的代码用于代码的简单性。

Codegen.myfixedpointpredict-args{coder.typeof（X_fx2[1,5]，[0,0]），coder.Constant（T2）}

代码成功。

Codegen.生成MEX函数myFixedPointPredict_mex与平台相关的扩展。

验证生成的代码

你可以验证myFixedPointPredict_mex以与您验证所录制的MEX功能的方式相同。看看验证仪器函数部分细节。

[labels_sampled, scores_sampled] =预测(Mdl standardizedX_sampled);n =大小(standardizedX_sampled, 1);labels_fx = true (n, 1);scores_fx = 0 (n, 2);对于i=1:n[labels_fx（i），scores_fx（i，：）]=myFixedPointPredict_mex（X_fx2（idx（i），：），T2）；结尾验证标签是否相等（标签取样，标签fx）

验证_labels =.符合逻辑的1.

diff_labels = sum（strcmp（string（labels_fx），string（labels_sampled））== 0）/ length（labels_fx）* 100

diff_labels = 0

diff_scores = max（abs（（scors_fx（：，1）-scores_sampled（：，1））./ scores_sampled（：，1））））

diff_scores = 0.0638.

记忆使用

良好做法是在培训模型之前手动标准化预测器数据。如果你使用“标准化”名称值对参数，然后生成的固定点代码包括标准化操作，这可能导致精度损失并增加内存使用。

如果生成静态库，则可以使用代码生成报告查找生成代码的内存使用情况。指定配置:自由要生成静态库，并使用-报告选项生成代码生成报告。

Codegen.myfixedpointpredict-args{coder.typeof（X_fx2[1,5]，[0,0]），coder.Constant（T2）}-Omyfixedpointpredict_lib.配置:自由-报告

在这一点总结在代码生成报告的选项卡上，单击代码指标．函数信息部分显示累积的堆栈大小。

找到模型培训的内存使用'标准化'，'真'，您可以运行以下代码。

mdl = fitcsvm（x_sampled，y_sampled，'重量'w_sampled,'骨箱','高斯',“标准化”，对）；saveLearnerForCoder（Mdl，“myMdl”）;generatelearnerdatatypefcn（“myMdl”，[X;xtest]，“字”，32，'OutputFunctionName',“myMdl_standardize_datatype”)T3=myMdl\u标准化\u数据类型('固定的'); X_fx3=铸件（X_取样，'喜欢', T3.XDataType);Codegen.myfixedpointpredict-args{coder.typeof (X_fx3 [1,5], [0]), coder.Constant (T3)}-OmyFixedPointPredict_standardize_lib配置:自由-报告