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。
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。
使用模板训练一个多类ECOC模型t
.
Mdl
是一个ClassificationECOC
对象。
创建编码器配置程序
为此创建一个编码器配置程序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。
Configurer = ClassificationCocoderConfigurer具有属性:更新输入:BinaryLearners:[1x1 scresisificsvmcoderConfigurer]之前:[1x1学习者划线算术:[1x1 LearnercoderInput]预测输入:X:[1x1学习者划线算]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ClassificationECOC
对象。的可调参数预测
和更新
:X
,BinaryLearners
,之前
,成本
.
指定参数的编码器属性
的编码器属性预测
参数(预测数据和名称 - 值对参数“解码”
和'binaryloss'
) 和更新
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。
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
并且大小是可变的,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
属性必须假
.
接下来,修改的编码器属性BinaryLoss
和解码
用来'binaryloss'
和“解码”
生成的代码中的名称-值对参数。的编码属性BinaryLoss
.
ANS = eNumerateDupput使用属性:value:'hinge'selectionOption:'内置'构建选项:{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”
.
ans = EnumeratedInput与属性:值:'指数' SelectedOption: '内置' BuiltInOptions: {1x7 cell} IsConstant: 1可调性:1
如果您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)。
的编码属性解码
.
ANS = eNumerateDupput与属性: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
作为假
以便使用。中的所有可用值BuiltInOptions
在生成的代码中。
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“lossbased
的价值“解码”
.此外,软件设置选择选项
来“非常数的”
和可调谐性
来真正的
.
最后,修改的编码器属性金宝appSupportVectors
在BinaryLearners
.的编码属性金宝appSupportVectors
.
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
alpha的SizeVector属性已被修改为满足配置约束。SizeVector属性用于SupportVect金宝apporLabelabels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。
显示编码器配置器。
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
函数Mdl
,分别。
创建一个名为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函数中调用一个入门点函数,请将函数名称指定为第一个输入参数。因为你指定了“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”
是默认值“解码”
.
相比标签
来label_mex
通过使用isequal
.
isequal
返回逻辑1 (真正的
),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
可能包括舍入差异与NegLoss
.在这种情况下,比较NegLoss_mex
来NegLoss
,允许有一个小的公差。
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,该软件采用启发式的方法选择合适的比例因子。
使用提取要更新的参数validatedUpdateInputs
.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。
更新生成代码中的参数。
验证生成的代码
的输出比较预测
的函数retrainedMdl
到了输出预测
函数。
对比证实了标签
和label_mex
是相等的,NegLoss
和NegLoss_mex
在公差范围内是相等的。