更新代码生成的模型参数
为此生成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.
.然后你可以使用更新
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。用更新
为突出显示的步骤。
如果您未生成代码,那么您无需使用更新
函数。当你在MATLAB中重新训练一个模型®,则返回的模型已经包含修改后的参数。
返回更新版本updatedMdl
=更新(Mdl
,参数
)Mdl
包含新参数的参数
.
重新培训模型后,使用validatedUpdateInputs
函数检测重新训练的模型中修改的参数,并验证修改后的参数值是否满足参数的编码器属性。使用的输出validatedUpdateInputs
,作为输入参数
更新模型参数。
使用部分数据集列车SVM模型,并为模型创建一个编码器配置器。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。
火车模型
加载电离层
数据集。该数据集有34个预测器和351个雷达返回的二进制响应,或坏(“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
为此创建一个编码器配置程序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
配置编码器属性预测
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。
configurer =学习者(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,以便在再培训模型后可以更新生成的代码中的参数。此示例指定要传递给生成的代码和SVM模型的支持向量的编码器属性的预测器数据的编码器属性。金宝app
首先,指定的编码器属性X
因此,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 34];configurer.x.variabledimensions = [true false];
第一维度的大小是观察的数量。在这种情况下,代码指定大小的上限是正
大小是可变的,这意味着X
可以有任意数量的观察结果。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。
第二维度的大小是预测变量的数量。必须为机器学习模型固定此值。X
包含34个预测器,因此SizeVector
属性的值必须为34VariableDimensions
属性必须错误的
.
如果使用新数据或不同的设置重新恢复SVM模型,则支持向量的数量可能会有所不同。金宝app因此,指定编码器属性金宝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];
Alpha的VariaBlowImensions属性已被修改为满足配置约束。SupportVectorLabels的VariaBlyImens金宝appions属性已被修改为满足配置约束。
的编码器属性金宝appSupportVectors
,然后软件修改了编码器属性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,您必须访问配置正确的C/ c++编译器。MATLAB编码器定位并使用一个受支持的、安装的编译器。金宝app您可以使用墨西哥人
-设置
查看和更改默认编译器。有关详细信息,请参见改变默认的编译器.
用Generatecode.
生成的代码预测
和更新
SVM分类模型的函数(Mdl
)的默认设置。
generateCode(配置)
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预测.M.
和update.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是预测
功能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label_mex
通过使用isequal
.
isequal(标签,label_mex)
ans =.逻辑1
isequal
返回逻辑1 (真正的
),如果所有输入相等。比较证实了预测
功能Mdl
和预测
函数中返回相同的标签。
score_mex
与...相比,可能包括圆截止差异分数
.在这种情况下,比较score_mex
和分数
,允许有一个小的公差。
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。
RetrainingMDL = FITCSVM(X,Y);
使用提取要更新的参数validatedUpdateInputs
.该函数检测修改后的模型参数returatedmdl.
并验证修改的参数值是否满足参数的编码器属性。
params = validatedUpdateInputs(配置、retrainedMdl);
更新生成代码中的参数。
classificationsvmmodel(“更新”params)
验证生成的代码
的输出比较预测
功能returatedmdl.
和预测
函数。
[标签,得分] =预测(再次检索,x);[label_mex,score_mex] = classificationsvmmodel(“预测”, X);isequal(标签,label_mex)
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。
火车模型
载入费雪的虹膜数据集。
负载渔民x = meas;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(“KernelFunction”,“高斯”,'标准化',真正的);
使用模板训练一个多类ECOC模型t
.
Mdl = fitcecoc (X, Y,“学习者”,t);
Mdl
是一个Classifiedecoc.
对象。
创建编码器配置
为此创建一个编码器配置程序Classifiedecoc.
模型通过使用learnerCoderConfigurer
.指定预测器数据X
.的learnerCoderConfigurer
函数使用输入X
配置编码器属性预测
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)
configurer = ClassificationCocoderConfigurer具有属性:更新输入:BinaryLearners:[1x1 ClassificationsVmcoderConfigurer]之前:[1x1 LearnercoderInput]成本:[1x1 LearnercoderInput]预测输入:X:[1x1 LearnerCoderInput]代码生成参数:NumOutputs:2 OutputFileName:'ClassificationCocModel'属性,方法
配置
是一个ClassificationECOCCoderConfigurer
对象的编码配置器Classifiedecoc.
对象。的可调参数预测
和更新
:X
,二进制书
,之前
,成本
.
指定参数的编码器属性
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'二元乐'
) 和更新
参数(SVM学习者的支金宝app持向量)以便您可以将这些参数用作输入参数预测
和更新
在生成的代码中。
首先,指定的编码器属性X
因此,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];
第一维度的大小是观察的数量。在这种情况下,代码指定大小的上限是正
大小是可变的,这意味着X
可以有任意数量的观察结果。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。
第二维度的大小是预测变量的数量。必须为机器学习模型固定此值。X
包含4个预测器,因此SizeVector
属性的第二个值必须为4VariableDimensions
属性必须错误的
.
接下来,修改编码器属性BinaryLoss
和解码
用来'二元乐'
和“解码”
生成的代码中的名称-值对参数。显示编码器属性BinaryLoss
.
配置。BinaryLoss
ANS = eNumerateDupput使用属性:value:'铰链'selectionOption:'内置'构建选项:{1x7 Cell} iSononstant: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
如果您在何时修改属性值可调谐性
是错误的
(逻辑0),软件设置可调谐性
来真正的
(逻辑1)。
显示编码器属性解码
.
配置。解码
ANS = eNumerateDupput使用属性:value:'lockweighted'selectionOption:'内置'内置选项:{'lockweighted'的“丢失”} iSononstant:1可调性:0
指定IsConstant
的属性解码
作为错误的
以便使用。中的所有可用值内置选项
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LearnercoderInpul.
对象,以便两者都可以使用“失去重量”
和“lossbased
的价值“解码”
.此外,软件设置选择选项
来'不合作'
和可调谐性
来真正的
.
最后,修改的编码器属性金宝appSupportVectors
在二进制书
.显示编码器属性金宝appSupportVectors
.
configur.binarylearners.su金宝apppportVectors.
ANS = LearnerCoderInput具有属性:Sizevector:[54 4] variabledimensions:[1 0]数据类型:'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如果使用新数据或不同的设置重新恢复ECOC型号,则SVM学习者中的支持向量的数量可能会有所不同。金宝app因此,增加支撑载体数量的上限。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
,然后软件修改了编码器属性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,您必须访问配置正确的C/ c++编译器。MATLAB编码器定位并使用一个受支持的、安装的编译器。金宝app您可以使用墨西哥人
-设置
查看和更改默认编译器。有关详细信息,请参见改变默认的编译器.
为预测
和更新
ECOC分类模式的功能(Mdl
).
generateCode(配置)
generateCode在输出文件夹中创建这些文件:米”、“预测。米”、“更新。米”、“ClassificationECOCModel。代码生成成功。
的Generatecode.
函数完成这些操作:
生成生成代码所需的MATLAB文件,包括两个入口点函数预测.M.
和update.m
为预测
和更新
的功能Mdl
,分别。
创建名为MEX函数ClassificationECOCModel
对于两个入口点函数。
控件中创建MEX函数的代码Codegen \ Mex \ ClassificationCocModel
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是预测
功能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。因为你指定了“解码”
作为调谐输入参数来改变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“失去重量”
默认值是“解码”
.
[标签,NegLoss] =预测(Mdl X,'二元乐',“指数”);[label_mex, NegLoss_mex] = ClassificationECOCModel (“预测”, X,'二元乐',“指数”,“解码”,“失去重量”);
比较标签
来label_mex
通过使用isequal
.
isequal(标签,label_mex)
ans =.逻辑1
isequal
返回逻辑1 (真正的
),如果所有输入相等。比较证实了预测
功能Mdl
和预测
函数中返回相同的标签。
NegLoss_mex
可能包括与之相比的圆截止差异negl
.在这种情况下,比较NegLoss_mex
来negl
,允许有一个小的公差。
找到(abs (NegLoss-NegLoss_mex) > 1 e-8)
Ans = 0x1空双列向量
对比证实了negl
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,该软件采用启发式的方法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);
使用提取要更新的参数validatedUpdateInputs
.该函数检测修改后的模型参数returatedmdl.
并验证修改的参数值是否满足参数的编码器属性。
params = validatedUpdateInputs(配置、retrainedMdl);
更新生成代码中的参数。
classificeecocmodel(“更新”params)
验证生成的代码
的输出比较预测
功能returatedmdl.
到了输出预测
函数。
[标签,occross] =预测(再次检索x,x,'二元乐',“指数”,“解码”,“lossbased”);[label_mex, NegLoss_mex] = ClassificationECOCModel (“预测”, X,'二元乐',“指数”,“解码”,“lossbased”);isequal(标签,label_mex)
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label_mex
是相等的,negl
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。
火车模型
加载carsmall
数据集和使用前50个观察培训SVM回归模型。
负载carsmallX =(功率、重量);Y = MPG;Mdl = fitrsvm (X (1:50:), Y (1:50));
Mdl
是一个回归vm.
对象。
创建编码器配置
为此创建一个编码器配置程序回归vm.
模型通过使用learnerCoderConfigurer
.指定预测器数据X
.的learnerCoderConfigurer
函数使用输入X
配置编码器属性预测
函数的输入。
配置= learnerCoderConfigurer (Mdl X (1:50,:));
配置
是一个RegressionSVMCoderConfigurer
对象的编码配置器回归vm.
对象。
指定参数的编码器属性
指定SVM回归模型参数的编码器属性,以便在刷新模型后,您可以更新生成的代码中的参数。此示例指定要传递给生成的代码和SVM回归模型的支持向量的编码器属性的预测器数据的编码器属性。金宝app
首先,指定的编码器属性X
因此,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 2];configurer.x.variabledimensions = [true false];
第一维度的大小是观察的数量。在这种情况下,代码指定大小的上限是正
大小是可变的,这意味着X
可以有任意数量的观察结果。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。
第二维度的大小是预测变量的数量。必须为机器学习模型固定此值。X
包含两个预测因子,所以价值SizeVector
属性的值必须为2VariableDimensions
属性必须错误的
.
如果使用新数据或不同的设置重新恢复SVM模型,则支持向量的数量可能会有所不同。金宝app因此,指定编码器属性金宝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 2];
Alpha的SizeVector属性已被修改以满足配置约束。
configurer.金宝appSupportVectors.VariableDimensions = [true false];
Alpha的VariaBlowImensions属性已被修改为满足配置约束。
的编码器属性金宝appSupportVectors
,然后软件修改了编码器属性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,您必须访问配置正确的C/ c++编译器。MATLAB编码器定位并使用一个受支持的、安装的编译器。金宝app您可以使用墨西哥人
-设置
查看和更改默认编译器。有关详细信息,请参见改变默认的编译器.
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。
generateCode(配置)
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预测.M.
和update.m
为预测
和更新
的功能Mdl
,分别。然后Generatecode.
创建一个名为RegressionSVMModel
的两个入口点函数codegen \ mex \ 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是预测
功能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 = REGERRIONSVMMODEL(“预测”, X);
yfit_mex.
与...相比,可能包括圆截止差异yfit
.在这种情况下,比较yfit
和yfit_mex.
,允许有一个小的公差。
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。
retrainedMdl = fitrsvm (X, Y);
使用提取要更新的参数validatedUpdateInputs
.该函数检测修改后的模型参数returatedmdl.
并验证修改的参数值是否满足参数的编码器属性。
params = validatedUpdateInputs(配置、retrainedMdl);
更新生成代码中的参数。
RegressionSVMModel (“更新”params)
验证生成的代码
的输出比较预测
功能returatedmdl.
和预测
函数。
YFIT =预测(再次检索了,x);YFIT_MEX = REGERRIONSVMMODEL(“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
.
使用部分数据集列出回归树,并为模型创建一个编码器配置器。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培训模型,并在未重新生成代码的情况下更新生成代码中的参数。
火车模型
加载carbig
数据集,并训练回归树模型使用一半的观察。
负载carbigx = [位移马力重量];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
是一个回归植物
对象。
创建编码器配置
为此创建一个编码器配置程序回归植物
模型通过使用learnerCoderConfigurer
.指定预测器数据XTrain
.的learnerCoderConfigurer
函数使用输入XTrain
配置编码器属性预测
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。
configurer = LearnerCoderConfigurer(MDL,XTrain,“NumOutputs”,2);
配置
是一个回归的TreecoderConfigurer.
对象的编码配置器回归植物
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,以便在再培训模型后可以更新生成的代码中的参数。
属性的编码器属性X
财产配置
因此,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 =.1 x2逻辑阵列1 0
第一维度的大小是观察的数量。设置值SizeVector
归因于正
导致软件修改VariableDimensions
归因于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。
第二维度的大小是预测变量的数量。必须为机器学习模型固定此值。因为预测器数据包含3个预测器,所以SizeVector
属性必须3.
和值的价值VariableDimensions
属性必须0
.
如果使用新的数据或不同的设置重新训练树模型,树中的节点数量可能会有所不同。因此,指定的第一个维度SizeVector
属性,以便更新生成的代码中的节点数量:孩子们
,切口
,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
属性的孩子们
,切口
,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];
修改了Children的sizeevector属性以满足配置约束。CutPoint的SizeVector属性已被修改以满足配置约束。CutPredictorIndex的SizeVector属性已被修改以满足配置约束。已修改Children的VariableDimensions属性以满足配置约束。已修改CutPoint的VariableDimensions属性以满足配置约束。已修改CutPredictorIndex的VariableDimensions属性以满足配置约束。
configurer.NodeMean.VariableDimensions
ans =.1 x2逻辑阵列1 0
生成代码
要生成C/ c++代码,您必须访问配置正确的C/ c++编译器。MATLAB编码器定位并使用一个受支持的、安装的编译器。金宝app您可以使用墨西哥人
-设置
查看和更改默认编译器。有关详细信息,请参见改变默认的编译器.
为预测
和更新
回归树模型的功能(Mdl
).
generateCode(配置)
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.
函数完成这些操作:
生成生成代码所需的MATLAB文件,包括两个入口点函数预测.M.
和update.m
为预测
和更新
的功能Mdl
,分别。
创建名为MEX函数RegressionTreeModel
对于两个入口点函数。
控件中创建MEX函数的代码Codegen \ Mex \ ReightionTreeModel
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是预测
功能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.
来yfit_mex.
和节点
来node_mex
.
马克斯(abs (Yfit-Yfit_mex), [],'全部')
ans = 0
node_mex isequal(节点)
ans =.逻辑1
一般来说,yfit_mex.
可能包括与之相比的圆截止差异YFIT.
.在本例中,比较证实了这一点YFIT.
和yfit_mex.
是平等的。
isequal
返回逻辑1 (真正的
),如果所有输入参数相等。比较证实了预测
功能Mdl
和预测
MEX函数中的函数返回相同的节点编号。
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validatedUpdateInputs
.该函数检测修改后的模型参数returatedmdl.
并验证修改的参数值是否满足参数的编码器属性。
params = validatedUpdateInputs(配置、retrainedMdl);
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
功能returatedmdl.
和预测
函数。
[Yfit、节点]=预测(retrainedMdl X);[Yfit_mex, node_mex] = RegressionTreeModel (“预测”, X);马克斯(abs (Yfit-Yfit_mex), [],'全部')
ans = 0
node_mex isequal(节点)
ans =.逻辑1
比较证实了预测的响应和节点数字是相等的。
Mdl
- - - - - -机器学习模型机器学习模型,指定为模型对象,如支持模型的此表中给出。金宝app
模型 | 模型对象 |
---|---|
用于多类分类的二叉决策树 | CompactClassificationTree |
支持向量机用于一类和二值分类 | CompactClassificationsVM. |
二元分类的线性模型 | ClassificationLinear |
支持向量机的多分类模型和线性模型 | CompactClassificationECOC |
回归的二进制决策树 | CompactRegressionTree |
金宝app支持向量机(SVM)回归 | compactregressionsvm. |
线性回归 | RegressionLinear |
对于代码生成使用说明和机器学习模型的限制,请参阅模型对象页面的代码生成部分。
参数
- - - - - -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。
创建参数
通过使用validatedUpdateInputs
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。
如本表中所述,您可以更新的参数集根据机器学习模型而异。
模型 | 参数更新 |
---|---|
用于多类分类的二叉决策树 | 孩子们 ,ClassProbability. ,成本 ,切口 ,CutPredictorIndex ,之前 |
支持向量机用于一类和二值分类 |
|
二元分类的线性模型 | β ,偏见 ,成本 ,之前 |
支持向量机的多分类模型和线性模型 | |
回归的二进制决策树 | 孩子们 ,切口 ,CutPredictorIndex ,NodeMean |
SVM回归 |
|
线性回归 | β ,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
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” ,“KernelFunction” ,“PolynomialOrder” ,'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
|
回归的二进制决策树 | 参数的fitrtree - - - - - -“ResponseTransform” |
SVM回归 | 参数的fitrsvm - - - - - -“KernelFunction” ,“PolynomialOrder” ,“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.
要创建两个update.m
入口点函数和入口点函数的MEX函数。假设MEX函数的名称是myModel
你打电话更新
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update.m
和initialize.m
文件通过使用类型
函数。
类型update.m类型initialize.m
的内容的示例update.m
和initialize.m
文件,请参阅使用编码器配置程序生成代码.
在编码器配置程序工作流程中,Mdl
输入参数的更新
是否返回模型loadLearnerForCoder
.这个模型和updatedMdl
对象是减少的分类或回归模型,主要包含预测所需的属性。
使用说明和限制:
使用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.
.
对于代码生成、使用说明和机器学习模型的局限性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 | CompactClassificationTree |
支持向量机用于一类和二值分类 | CompactClassificationsVM. |
二元分类的线性模型 | ClassificationLinear |
支持向量机的多分类模型和线性模型 | CompactClassificationECOC |
回归的二进制决策树 | CompactRegressionTree |
金宝app支持向量机(SVM)回归 | compactregressionsvm. |
线性回归 | RegressionLinear |
有关更多信息,请参阅代码生成简介.
Sie Haben EINEGeänderte版Dieses Beispiels。MöchtenSieDieses Beispiel Mit IhrenÄnderungenÖffnen?
您有一个连接到MATLAB-Befehl entspricht:
Führen Sie den Befehl durch Eingabe in das MATLAB-Befehlsfenster aus。Webbrowser unterstützen keine MATLAB-Befehle。
你也可以从以下列表中选择一个网站:
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。