火车模型

载入费雪的虹膜数据集。

负载fisheririsx = 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。

配置= learnerCoderConfigurer (Mdl X,“NumOutputs”2）

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。

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

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．

配置。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”．

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．

配置。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。

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．

configurer.binarylearners.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

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

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

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：

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”．

[标签,NegLoss] =预测(Mdl X,'binaryloss'，“指数”）;[label_mex, NegLoss_mex] = ClassificationECOCModel (“预测”, X,'binaryloss'，“指数”，“解码”，“lossweighted”）;

相比标签来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。

查找（ABS（Departoss-Deportoss_Mex）> 1E-8）

Ans = 0x1空双列向量

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。

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retrainedMdl并验证修改后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。

ClassificationECOCModel ('更新'params)

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。

[标签，occross] =预测（再次检索，x，'binaryloss'，“指数”，“解码”，“lossbased”）;[label_mex, NegLoss_mex] = ClassificationECOCModel (“预测”, X,'binaryloss'，“指数”，“解码”，“lossbased”）;isequal（标签，label_mex）

ans =逻辑1

查找（ABS（Departoss-Deportoss_Mex）> 1E-8）

Ans = 0x1空双列向量

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。