主要内容

ClassificationECOCCoderConfigurer

使用二进制编码器配置为多级模型的学习者

扩展所有的页面

描述

一个ClassificationECOCCoderConfigurer对象是一个编码器配置多级的纠错输出编码(ECOC)分类模型(ClassificationECOC或CompactClassificationECOC),使用支持向量机(SV金宝appM)或线性二进制学习者。

一个编码器配置提供了方便的功能配置代码生成选项,生成C / c++代码,生成的代码和更新模型参数。

  • 配置代码生成选项并指定编码器使用对象属性模型参数的属性。

  • 生成的C / c++代码预测和更新ECOC模型的使用功能generateCode。需要生成C / c++代码MATLAB®编码器™。

  • 更新模型参数生成的C / c++代码,而不必重新生成代码。这个特性可以减少所需的努力再生,重新部署,reverify C / c++代码当你训练模型与新数据或设置。在更新模型参数,使用validatedUpdateInputs验证和提取模型参数更新。

这个流程图显示了代码生成使用编码器配置工作流。

两个代码生成工作流:第一个模型训练后,第二次再培训后相同的模型。第一个工作流程,步骤1:创建一个编码器配置。第二步:生成代码。第三步:验证生成的代码。第二个工作流,步骤1:检查是否更新是有效的。如果是的,去步骤2;如果没有,先去的第一步工作流程。步骤2:在生成的代码更新模型参数。

代码生成使用笔记和局限性的多级ECOC分类模型中,看到的代码生成部分CompactClassificationECOC,预测,更新。

创建

训练后一个多级ECOC与支持向量机分类模型或线性二进制学习者通过使用fitcecoc为模型,创建一个编码器配置使用learnerCoderConfigurer。使用一个编码器的属性配置指定的编码属性预测和更新参数。然后,用generateCode生成C / c++代码根据指定的编码属性。

属性

全部展开

预测参数

在这一节中列出的属性指定的编码属性预测函数参数的生成的代码。

编码器的属性预测数据传递给C / c++代码生成预测ECOC分类模型的函数,指定为一个LearnerCoderInput对象。

当您创建一个编码器配置使用learnerCoderConfigurer函数的输入参数X确定的默认值LearnerCoderInput编码器属性:

  • SizeVector——默认值是数组大小的输入X。

    • 如果价值的属性ObservationsIn财产ClassificationECOCCoderConfigurer是“行”,那么这SizeVector值是[n p],在那里n对应于观察和的数量p对应的数量预测。

    • 如果价值的属性ObservationsIn财产ClassificationECOCCoderConfigurer是“列”,那么这SizeVector值是[p n]。

    切换的元素SizeVector(例如,改变[n p]来[p n]),修改价值的属性ObservationsIn财产ClassificationECOCCoderConfigurer相应的行动。您不能修改SizeVector直接价值。

  • VariableDimensions——默认值是[0 0],这表明中指定数组大小是固定的SizeVector。

    你可以设置这个值[1 0]如果SizeVector值是[n p]或[0 1]如果它是[p n]数组,这表明有适应行和固定大小列。例如,[1 0]指定的第一个值SizeVector(n)是上界的行数,第二个值SizeVector(p)的列数。

  • 数据类型这个值是单或双。默认数据类型取决于输入的数据类型X。

  • 可调谐性——这个值必须真正的,这意味着预测在生成的C / c++代码总是包括预测数据作为输入。

您可以修改使用点符号的编码属性。例如,生成C / c++代码接受预测数据与100年的观察(行)三个预测变量(列),指定这些编码器的属性X编码器的配置配置:

configurer.X。SizeVector= [100 3]; configurer.X.DataType =“双”;configurer.X。VariableDimensions = [0 0];
[0 0]表明第一和第二维度X(数量的观察和数量的预测变量,分别)具有固定的大小。

允许生成的C / c++代码接受预测数据与100观察,指定这些编码器的属性X:

configurer.X。SizeVector= [100 3]; configurer.X.DataType =“双”;configurer.X。VariableDimensions = [1 0];
[1 0]表明,第一个维度X(观察)有一个变量的大小和第二维度X(数量的预测变量)具有固定的大小。100年指定数量的观察,在这个例子中,成为了最大允许的观察生成的C / c++代码。允许任意数量的观察,指定绑定正。

二进制的编码属性学习者损失函数(“BinaryLoss”名称-值对的观点预测),指定为一个EnumeratedInput对象。

默认的属性值EnumeratedInput对象是基于的默认值预测功能:

  • 价值——二进制学习者损失函数,指定为一个特征向量BuiltInOptions或者一个特征向量指定一个自定义函数名。如果二进制学习者SVM或线性分类的支持向量机模型学习,默认值是“枢纽”。如果二进制学习者逻辑回归的线性分类模型学习,默认值是“二次”。

    使用一个自定义选项,定义一个自定义函数在MATLAB的搜索路径,并指定价值自定义函数的名称。

  • SelectedOption这个值是“内置”(默认)或“自定义”。该软件集SelectedOption根据价值。这个属性是只读的。

  • BuiltInOptions——单元阵列“汉明”,“线性”,“二次”,“指数”,“binodeviance”,“枢纽”,分对数的。这个属性是只读的。

  • IsConstant——这个值必须真正的。

  • 可调谐性——默认值是假。如果你指定其他属性值可调谐性是假,软件集可调谐性来真正的。

编码器解码方案的属性(“解码”名称-值对的观点预测),指定为一个EnumeratedInput对象。

默认的属性值EnumeratedInput对象是基于的默认值预测功能:

  • 价值——指定为解码方案的价值“lossweighted”(默认),“lossbased”,或者一个LearnerCoderInput对象。

    如果你设置IsConstant来假,那么软件更改价值到一个LearnerCoderInput与这些只读编码器对象属性值:

    • SizeVector- - - - - -12 [1]

    • VariableDimensions- - - - - -[0 1]

    • 数据类型- - - - - -“字符”

    • 可调谐性- 1

    输入在生成的代码中是一种适应,可调的特征向量“lossweighted”或“lossbased”。

  • SelectedOption这个值是“内置”(默认)或“非常数的”。该软件集SelectedOption根据价值。这个属性是只读的。

  • BuiltInOptions——单元阵列“lossweighted”和“lossbased”。这个属性是只读的。

  • IsConstant——默认值是真正的。如果你将这个值设置为假,软件变更价值到一个LearnerCoderInput对象。

  • 可调谐性——默认值是假。如果你指定其他属性值可调谐性是假,软件集可调谐性来真正的。

编码器的属性预测数据观察维度(“ObservationsIn”名称-值对的观点预测),指定为一个EnumeratedInput对象。

当您创建一个编码器配置使用learnerCoderConfigurer函数,“ObservationsIn”名称-值对参数确定的默认值EnumeratedInput编码器属性:

  • 价值——默认值是预测数据观察维你使用创建编码器配置时,指定为“行”或“列”。如果你不指定“ObservationsIn”在创建编码器配置,默认值是“行”。

    这个值必须“行”为一个模型,使用SVM二进制学习者。

  • SelectedOption——这个值总是“内置”。这个属性是只读的。

  • BuiltInOptions——单元阵列“行”和“列”。这个属性是只读的。

  • IsConstant——这个值必须真正的。

  • 可调谐性- - - - - -默认值是假如果您指定“ObservationsIn”、“行”在创建编码器配置真正的如果您指定“ObservationsIn”、“列”。如果你设置可调谐性来假,软件集价值来“行”。如果你指定其他属性值可调谐性是假,软件集可调谐性来真正的。

的输出参数返回生成的C / c++代码预测ECOC分类模型的函数,指定为1、2、3。

的输出参数预测在顺序:标签(预测类标签),NegLoss(否定平均二进制损失),PBScore(positive-class分数)。预测在生成的C / c++代码返回第一个n输出的预测函数,n是NumOutputs价值。

在创建了编码器配置配置,您可以指定输出通过使用点符号的数量。

配置。NumOutputs= 2;

的NumOutputs属性是相当于“-nargout”编译器选项的codegen(MATLAB编码器)。这个选项指定的输出参数的入口点函数,代码生成。的目标函数generateCode生成两个入口点函数predict.m和update.m为预测和更新提供的奖学金ECOC分类模型的功能,生成C / c++代码的两个入口点函数。指定的值NumOutputs属性对应的入口点函数的输出参数predict.m。

数据类型:双

更新参数

在这一节中列出的属性指定的编码属性更新函数参数的生成的代码。的更新函数接受一个训练模型和新模型参数作为输入参数,并返回一个更新版本的模型,包含了新的参数。使更新参数在生成的代码中,您需要指定在生成代码的编码属性参数。使用一个LearnerCoderInput对象指定每个参数的编码属性。默认的属性值是基于模型参数的输入参数Mdl的learnerCoderConfigurer。

编码器的属性训练二进制学习者(BinaryLearnersECOC分类的模型),指定为一个ClassificationSVMCoderConfigurer为SVM二进制对象(学习者)或ClassificationLinearCoderConfigurer线性二进制对象(学习者)。

使用更新参数的支持向量机或线性编码器配置对象指定所有二进制的编码属性的学习者。

的配置BinaryLearners只使用的软件更新参数对象的属性,而忽略了其他属性。

当你训练一个ECOC模型与支持向量机二进制学习者,每个学习者都可以有不同的支持向量的数目。金宝app因此,软件配置的默认属性值LearnerCoderInput对象α,金宝appSupportVectorLabels,金宝appSupportVectors以适应所有二进制学习者,根据输入参数Mdl的learnerCoderConfigurer。

  • SizeVector

    • 这个值是[s 1]为α和金宝appSupportVectorLabels,在那里年代是最大的支持向量数二进制学习者。金宝app

    • 这个值是(s p)为金宝appSupportVectors,在那里p预测的数量。

  • VariableDimensions这个值是[0 0]或[1 0]。如果每个学习者都有相同数量的支持向量,默认值是金宝app[0 0]。否则,该值必须[1 0]。

    • [0 0]表明中指定数组大小是固定的SizeVector。

    • [1 0]表明,有适应行和固定大小列数组。在这种情况下,第一个值SizeVector的上界的行数,第二个值吗SizeVector列的数量。

  • 数据类型这个值是“单一”或“双”。默认数据类型是一致的数据类型使用训练数据训练Mdl。

  • 可调谐性——如果你训练模型与线性核函数,和模型存储线性预测系数(β)不支持向量和相关的值,那么金宝app这个值必须假。否则,该值必须真正的。

对于其他的细节更新参数,看到更新参数的ClassificationSVMCoderConfigurer和更新参数的ClassificationLinearCoderConfigurer。

编码器误分类代价的属性(成本ECOC分类的模型),指定为一个LearnerCoderInput对象。

默认的属性值LearnerCoderInput对象是基于输入参数Mdl的learnerCoderConfigurer:

  • SizeVector——这个值必须(c c),在那里c类的数量。

  • VariableDimensions——这个值必须[0 0],这表明中指定数组大小是固定的SizeVector。

  • 数据类型这个值是“单一”或“双”。默认数据类型是一致的数据类型使用训练数据训练Mdl。

  • 可调谐性——默认值是真正的。

编码器的属性先验概率(之前ECOC分类的模型),指定为一个LearnerCoderInput对象。

默认的属性值LearnerCoderInput对象是基于输入参数Mdl的learnerCoderConfigurer:

  • SizeVector——这个值必须(1 c),在那里c类的数量。

  • VariableDimensions——这个值必须[0 0],这表明中指定数组大小是固定的SizeVector。

  • 数据类型这个值是“单一”或“双”。默认数据类型是一致的数据类型使用训练数据训练Mdl。

  • 可调谐性——默认值是真正的。

其他配置选项

文件名生成的C / c++代码,指定为一个特征向量。

的目标函数generateCode的ClassificationECOCCoderConfigurer生成C / c++代码使用这个文件名称。

文件名称不能包含空格,因为他们可能会导致在某些操作系统配置代码生成失败。此外,名称必须是一个有效的MATLAB函数名。

在创建了编码器配置配置,您可以指定文件名使用点符号。

配置。OutputFileName =“myModel”;

数据类型:字符

冗长的水平,指定为真正的(逻辑1)或假(逻辑0)冗长级别控制通知消息的显示在命令行。

价值 描述
真正的(逻辑1) 软件显示通知消息当你更改编码器的属性参数导致其他相关参数的变化。
假(逻辑0) 软件不显示通知消息。

使更新机器学习模型参数在生成的代码中,您需要配置在生成代码的编码属性参数。参数的编码属性相互依赖,所以软件商店依赖配置约束。如果你修改一个参数的编码属性使用编码器配置,和修改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。冗长的水平决定是否为这些后续更改软件显示通知消息。

在创建了编码器配置配置,您可以修改使用点符号的冗长的水平。

配置。详细的= false;

数据类型:逻辑

代码生成定制的选项

使用自定义代码生成工作流generateFiles函数和下面的三个属性codegen(MATLAB编码器),而不是使用generateCode函数。

生成两个入口点函数文件后(predict.m和update.m)通过使用generateFiles功能,您可以修改这些文件根据你的代码生成工作流。例如,您可以修改predict.m文件包括数据预处理,或者您可以将这些入口点函数添加到另一个代码生成项目。然后,您可以通过使用生成C / c++代码codegen(MATLAB编码器)函数和codegen参数适用于修改后的入口点函数或代码生成项目。使用在这一节中描述的三个属性作为起点设置codegen参数。

这个属性是只读的。

codegen(MATLAB编码器)参数,指定为一个单元阵列。

这个属性使您能够定制代码生成工作流。使用generateCode函数如果你不需要自定义工作流。

而不是使用generateCode编码器的配置配置,您可以生成C / c++代码如下:

generateFiles cgArgs = configurer.CodeGenerationArguments(配置);codegen (cgArgs {}):
如果你定制代码生成工作流、修改cgArgs因此之前调用codegen。

如果你修改的其他属性配置,软件更新CodeGenerationArguments相应的属性。

数据类型:细胞

这个属性是只读的。

可调的入口点函数的输入参数列表predict.m对于代码生成,指定为一个单元阵列。细胞数组包含另一个单元阵列,包括coder.PrimitiveType(MATLAB编码器)对象和coder.Constant(MATLAB编码器)对象。

如果你修改的编码属性预测参数相应地,那么软件更新对应的对象。如果你指定可调谐性属性是假,那么软件删除对应的对象的PredictInputs列表。

单元阵列的PredictInputs相当于configurer.CodeGenerationArguments {6}编码器的配置配置。

数据类型:细胞

这个属性是只读的。

列表的入口点函数的可调输入参数update.m对于代码生成,指定为一个单元阵列的结构。结构包括一个coder.CellType(MATLAB编码器)对象BinaryLearners和coder.PrimitiveType(MATLAB编码器)对象成本和之前。

如果你修改的编码属性更新参数相应地,那么软件更新对应的对象。如果你指定可调谐性属性是假,然后从软件删除相应的对象UpdateInputs列表。

的结构UpdateInputs相当于configurer.CodeGenerationArguments {3}编码器的配置配置。

数据类型:细胞

对象的功能

generateCode 生成C / c++代码使用编码器配置
generateFiles 生成MATLAB使用编码器配置文件代码生成
validatedUpdateInputs 验证和提取机器学习模型参数更新

例子

全部折叠

这个示例使用:

打开生活的脚本

火车一个机器学习模型,然后生成代码预测和更新功能模型的使用编码器配置。

加载费雪的虹膜数据集和训练一个多级ECOC模型使用SVM二进制学习者。

负载fisheririsX =量;Y =物种;Mdl = fitcecoc (X, Y);

Mdl是一个ClassificationECOC对象。

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。

X配置= learnerCoderConfigurer (Mdl)
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: 1 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。

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用默认设置)。

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:

  • 生成所需的MATLAB文件生成代码,包括两个入口点函数predict.m和update.m为预测和更新的功能Mdl,分别。

  • 创建一个墨西哥人函数命名ClassificationECOCModel两个入口点函数。

  • 创建中的墨西哥人功能的代码codegen \墨西哥人\ ClassificationECOCModel文件夹中。

  • 墨西哥人功能复制到当前文件夹。

显示的内容predict.m,update.m,initialize.m文件使用类型函数。

类型predict.m
变长度输入宗量函数varargout =预测(X) % # codegen %自动生成通过MATLAB, 01 - 9 - 2021 14:42:40 [varargout {1: nargout}] =初始化(“预测”,X,变长度输入宗量{:});结束
类型update.m
函数更新(变长度输入宗量)% # codegen %自动生成通过MATLAB, 01 - 9 - 2021 14:42:40初始化(“更新”,变长度输入宗量{:});结束
类型initialize.m
函数[varargout] =初始化(指挥、变长度输入宗量)% # codegen %自动生成通过MATLAB, 01 - 9 - 2021 14:42:40 coder.inline(“总是”)持久模型如果isempty(模型)模型= loadLearnerForCoder (“ClassificationECOCModel.mat”);终端开关(命令)案例'更新' %更新结构体字段:BinaryLearners %之前% =更新成本模型(模型、变长度输入宗量{:});例“预测”%预测输入:X X =变长度输入宗量{1};如果输入参数个数= = 2 (varargout {1: nargout}] =预测(模型中,X);其他PVPairs =细胞(1、nargin-2);i = 1: nargin-2 PVPairs{1,} =变长度输入宗量{i + 1};结束(varargout {1: nargout}] =预测(模型、X PVPairs {:});结束结束结束

这个示例使用:

打开生活的脚本

火车一个纠错输出编码二进制学习者使用SVM (ECOC)模型,并创建一个编码器的配置模型。使用编码器配置的属性来指定编码器ECOC模型参数的属性。使用编码器配置的目标函数来生成C代码,预测新的预测数据标签。使用不同的设置,然后重新训练模型和更新参数生成的代码没有重新生成代码。

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: {1} x7细胞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: {1} x7细胞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:

  • 生成所需的MATLAB文件生成代码,包括两个入口点函数predict.m和update.m为预测和更新的功能Mdl,分别。

  • 创建一个墨西哥人函数命名ClassificationECOCModel两个入口点函数。

  • 创建中的墨西哥人功能的代码codegen \墨西哥人\ ClassificationECOCModel文件夹中。

  • 墨西哥人功能复制到当前文件夹。

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。

更多关于

全部展开

另请参阅

||||||

主题

介绍了R2019a

统计和机器学习工具箱文档

金宝app

掌握机器学习:一个循序渐进的指导与MATLAB

掌握机器学习:一个循序渐进的指导与MATLAB

下载电子书