验证并提取机器学习模型参数进行更新
为应用程序生成C/C++代码预测
和使现代化
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
及其目标函数generateCode
.在使用新数据或设置重新训练模型之后,您可以在生成的代码中更新模型参数,而不必重新生成代码。使用validatedUpdateInputs
验证并提取要更新的模型参数。这个函数帮助您在更新生成代码中的模型参数之前识别潜在的问题。可以使用的输出validatedUpdateInputs
,已验证的参数,作为使现代化
函数更新模型参数。
此流程图显示了使用编码器配置器的代码生成工作流。使用validatedUpdateInputs
为突出显示的步骤。
返回要更新的经过验证的机器学习模型参数。参数个数
= validatedUpdateInputs (配置
,retrainedMdl
)validatedUpdateInputs
中检测修改后的模型参数retrainedMdl
并验证它们是否满足存储的编码器属性配置
.
使用部分数据集训练支持向量机模型,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个观测值训练二元SVM分类模型。
负载电离层Mdl = fitcsvm (X (1:50:), Y (1:50));
Mdl
是一个ClassificationSVM
对象。
创建编码器配置器
控件创建一个编码器配置器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
属性的编码器属性预测
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。
配置= learnerCoderConfigurer (Mdl X (1:50,:)“NumOutputs”2);
配置
是一个ClassificationSVMCoderConfigurer
对象,它是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,以便在重新训练模型后更新生成代码中的参数。此示例指定要传递给生成代码的预测器数据的编码器属性,以及支持向量机模型的支持向量的编码器属性。金宝app
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,以及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
大小是可变的,也就是说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34个预测值,因此SizeVector
属性必须为34,并且VariableDimensions
属性必须假
.
如果使用新的数据或不同的设置重新训练SVM模型,支持向量的数量可能会有所不同。金宝app因此,指定的编码器属性金宝app支持向量
这样您就可以在生成的代码中更新支持向量。金宝app
configurer.金宝appSupportVectors.SizeVector=[250 34];
Alpha的SizeVector属性已修改为满足配置约束。SupportVectorLabels的SizeVector属性已修改为满足配置约束。金宝app
configurer.金宝appSupportVectors.VariableDimensions = [true false];
已修改Alpha的VariableDimensions属性以满足配置约束。修改了SupportVectorLabels的VariableDi金宝appmensions属性以满足配置约束。
的编码器属性金宝app支持向量
,然后软件修改的编码器属性阿尔法
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.
使用generateCode
生成的代码预测
和使现代化
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:“initialize.m”、“predict.m”、“update.m”、“ClassificationSVMModel.mat”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
和update.m
为预测
和使现代化
功能Mdl
,分别。然后generateCode
创建一个名为ClassificationSVMModel
的两个入口点函数codegen\mex\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
.
label_mex isequal(标签)
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。
score_mex
可能包括舍入差异与分数
.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
在公差范围内是相等的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。
再培训DMDL=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。
ClassificationSVMModel (“更新”,参数)
验证生成的代码
的输出比较预测
的函数retrainedMdl
和预测
函数。
(标签,分数)=预测(retrainedMdl X);[label_mex, score_mex] = ClassificationSVMModel (“预测”,X);等质量(标签,标签)
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
和标签
相等,并且分数值在公差范围内相等。
使用SVM二进制学习器训练纠错输出码(ECOC)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指定ECOC模型参数的编码器属性。使用编码器配置器的目标函数生成C代码,用于预测新预测器数据的标签。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fisheririsX =量;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。
创建编码器配置器
控件创建一个编码器配置器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=ClassificationeCoderConfigurer with properties:更新输入:BinaryLearners:[1x1 ClassificationVMCoderConfigurer]Previor:[1x1 LearnerCoderInput]成本:[1x1 LearnerCoderInput]预测输入:X:[1x1 LearnerCoderInput]代码生成参数:numoutput:2输出文件名:“ClassificationeCodel”属性、方法
配置
是一个分类代码配置器
对象,它是ClassificationECOC
对象。的可调参数预测
和使现代化
: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(预测器数据和名称-值对参数“解码”
和“BinaryLoss”
)及使现代化
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
和使现代化
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,以及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
大小是可变的,也就是说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
使用“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 = EnumeratedInput与属性:值:'hinge' SelectedOption: ' built ' BuiltInOptions: {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
属性BinaryLoss
作为“指数型”
.
configurer.BinaryLoss.Value =“指数型”;配置。BinaryLoss
ans=EnumeratedInput,属性为:Value:'exponential'SelectedOption:'Buildin'内置选项:{1x7 cell}IsConstant:1可调性:1
当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 = EnumeratedInput与属性:值:' lossweights ' SelectedOption: ' built ' BuiltInOptions: {' lossweights ' ' losssbased '} IsConstant: 1可调性:0
指定司仪
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;配置器.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
属性解码
到一个LearnerCoderInput
对象,以便两者都可以使用“lossweighted”
和“lossbased
"作为“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app支持向量
在BinaryLearners
.的编码属性金宝app支持向量
.
configurer.BinaryLearners.金宝appSupportVectors
ans = LearnerCoderInput带有属性:SizeVector: [54 4] VariableDimensions: [1 0] DataType: '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属性已修改为满足配置约束。SupportVectorLabels的SizeVector属性已修改为满足配置约束。金宝app
的编码器属性金宝app支持向量
,然后软件修改的编码器属性阿尔法
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
和使现代化
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
函数完成这些动作:
生成MATLAB文件所需的生成代码,包括两个入口点函数预测
和update.m
为预测
和使现代化
功能Mdl
,分别。
创建一个名为ClassificationECOCModel
对于两个入口点函数。
控件中创建MEX函数的代码codegen \墨西哥人\ ClassificationECOCModel
文件夹
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。因为你指定的“解码”
作为可调参数,通过更改司仪
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”
是的默认值“解码”
.
[标签,NegLoss] =预测(Mdl X,“BinaryLoss”,“指数型”);[label_mex, NegLoss_mex] = ClassificationECOCModel (“预测”, X,“BinaryLoss”,“指数型”,“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(NegLoss-NegLoss_mex)>1e-8)
ans=0x1空双列向量
对比证实了NegLoss
和NegLoss_mex
在公差范围内是相等的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“内核尺度”
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,“内核尺度”,“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”,参数)
验证生成的代码
的输出比较预测
的函数retrainedMdl
的输出预测
函数。
[label,NegLoss]=预测(重新训练的DMDL,X,“BinaryLoss”,“指数型”,“解码”,“损失基础”);[label_mex, NegLoss_mex] = ClassificationECOCModel (“预测”, X,“BinaryLoss”,“指数型”,“解码”,“损失基础”);label_mex isequal(标签)
ans =逻辑1
查找(abs(NegLoss-NegLoss_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。
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指定SVM模型参数的编码器属性。使用编码器配置器的目标函数生成预测新预测器数据响应的C代码。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
数据集和训练支持向量机回归模型使用前50个观察。
负载carsmallX =(功率、重量);Y = MPG;Mdl = fitrsvm (X (1:50:), Y (1:50));
Mdl
是一个RegressionSVM
对象。
创建编码器配置器
控件创建一个编码器配置器RegressionSVM
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。
配置= learnerCoderConfigurer (Mdl X (1:50,:));
配置
是一个RegressionSVMCoderConfigurer
对象,它是RegressionSVM
对象。
指定参数的编码器属性
指定支持向量机回归模型参数的编码器属性,以便您可以在重新训练模型后更新生成代码中的参数。此示例指定要传递给生成代码的预测器数据的编码器属性,以及支持向量机回归模型的支持向量的编码器属性。金宝app
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,以及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 2];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
大小是可变的,也就是说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
包含两个预测器,因此SizeVector
属性的值必须为2VariableDimensions
属性必须假
.
如果使用新的数据或不同的设置重新训练SVM模型,支持向量的数量可能会有所不同。金宝app因此,指定的编码器属性金宝app支持向量
这样您就可以在生成的代码中更新支持向量。金宝app
configurati金宝appon . supportvectors . sizevector = [250 2];
Alpha的SizeVector属性已修改以满足配置约束。
configurer.金宝appSupportVectors.VariableDimensions = [true false];
已修改Alpha的VariableDimensions属性以满足配置约束。
的编码器属性金宝app支持向量
,然后软件修改的编码器属性阿尔法
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.
使用generateCode
生成的代码预测
和使现代化
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
和update.m
为预测
和使现代化
功能Mdl
,分别。然后generateCode
创建一个名为RegressionSVMModel
的两个入口点函数codegen \墨西哥人\ 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预测
的函数Mdl
和预测
MEX函数中的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=回归模型(“预测”, X);
yfit_mex
可能包括舍入差异与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
在公差范围内是相等的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。
RegressionSVMModel (“更新”,参数)
验证生成的代码
的输出比较预测
的函数retrainedMdl
和预测
函数。
yfit =预测(retrainedMdl X);yfit_mex = RegressionSVMModel (“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
在公差范围内是相等的1e-6
.
使用部分数据集训练回归树,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
加载卡比格
数据集,并训练回归树模型使用一半的观察。
负载卡比格X =[排量马力重量];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RegressionTree
对象。
创建编码器配置器
控件创建一个编码器配置器RegressionTree
模型通过使用learnerCoderConfigurer
.指定预测器数据XTrain
.的learnerCoderConfigurer
函数使用输入XTrain
属性的编码器属性预测
函数输入。另外,将输出数设置为2,以便生成的代码返回预测响应和预测节点数。
配置= learnerCoderConfigurer (Mdl XTrain,“NumOutputs”2);
配置
是一个RegressionTreeCoderConfigurer
对象,它是RegressionTree
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,以便您可以在重新训练模型后更新生成代码中的参数。
属性的编码器属性X
的属性配置
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,以及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
第一个维度的大小是观测的次数。的值SizeVector
属性来正
导致软件修改VariableDimensions
属性来1
.换句话说,大小的上限是正
并且大小是可变的,这意味着预测数据可以有任意数量的观察值。如果在生成代码时不知道观察值的数量,则此规范非常方便。
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。由于预测器数据包含3个预测器,因此SizeVector
属性必须3.
以及它的价值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
,切点
,切割预测指数
,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
的属性孩子们
,切点
,切割预测指数
以匹配树中节点数目的新上限。的第一个值VariableDimensions
属性NodeMean
更改1
.
configurer.NodeMean.SizeVector=[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
和使现代化
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
函数完成这些动作:
生成MATLAB文件所需的生成代码,包括两个入口点函数预测
和update.m
为预测
和使现代化
功能Mdl
,分别。
创建一个名为RegressionTreeModel
对于两个入口点函数。
控件中创建MEX函数的代码codegen \墨西哥人\ RegressionTreeModel
文件夹
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
MEX函数中的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
.
最大值(abs(Yfit-Yfit_-mex),[],“所有”)
ans = 0
node_mex isequal(节点)
ans =逻辑1
一般来说,Yfit_mex
可能包括舍入差异与Yfit
.在本例中,比较证实了这一点Yfit
和Yfit_mex
是相等的。
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
的函数Mdl
和预测
函数中返回相同的节点号。
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。
重新训练的DMDL=Firtree(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。
RegressionTreeModel (“更新”,参数)
验证生成的代码
的输出参数比较预测
的函数retrainedMdl
和预测
函数。
[Yfit,node]=预测(retainedmdl,X);[Yfit\u-mex,node\u-mex]=回归树模型(“预测”,X);最大值(abs(Yfit-Yfit_-mex),[],“所有”)
ans = 0
node_mex isequal(节点)
ans =逻辑1
通过比较,确认了预测响应和节点数是相等的。
配置
- - - - - -编码器配置机器学习模型的编码器配置器,指定为通过使用learnerCoderConfigurer
.
模型 | 编码器配置器对象 |
---|---|
用于多类分类的二叉决策树 | ClassificationTreeCoderConfigurer |
支持向量机用于一类和二值分类 | ClassificationSVMCoderConfigurer |
二元分类的线性模型 | ClassificationLinearCoderConfigurer |
支持向量机的多分类模型和线性模型 | 分类代码配置器 |
二叉决策树的回归 | RegressionTreeCoderConfigurer |
金宝app支持向量机回归 | RegressionSVMCoderConfigurer |
线性回归 | RegressionLinearCoderConfigurer |
retrainedMdl
- - - - - -再训练机器学习模型再培训的机器学习模型,指定为完整或紧凑的模型对象,如本支持模型表所示。金宝app
模型 | 全/紧凑的模型对象 | 培训功能 |
---|---|---|
用于多类分类的二叉决策树 | ClassificationTree ,CompactClassificationTree |
fitctree |
支持向量机用于一类和二值分类 | ClassificationSVM ,CompactClassificationSVM |
fitcsvm |
二元分类的线性模型 | ClassificationLinear |
fitclinear |
支持向量机的多分类模型和线性模型 | ClassificationECOC ,CompactClassificationECOC |
fitcecoc |
二叉决策树的回归 | RegressionTree ,CompactRegressionTree |
菲特里 |
金宝app支持向量机回归 | RegressionSVM ,压缩回归 |
fitrsvm |
线性回归 | RegressionLinear |
fitrlinear |
参数个数
-要更新的已验证参数要在机器学习模型中更新的经过验证的参数,指定为一个结构,每个参数都有一个字段提取retrainedMdl
.
中的模型参数参数个数
中列出的所有参数UpdateInputs
的属性配置
,这是可调模型参数的列表。
您可以使用参数个数
的输入参数使现代化
更新模型参数。
validatedUpdateInputs
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,则返回错误消息retrainedMdl
.在这种情况下,您不能使用使现代化
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
|
二叉决策树的回归 | 参数的菲特里 - - - - - -“ResponseTransform” |
支持向量机回归 | 参数的fitrsvm - - - - - -“KernelFunction” ,“PolynomialOrder” ,“ResponseTransform” ,“标准化” |
线性回归 | 参数的fitrlinear - - - - - -“ResponseTransform” |
validatedUpdateInputs
显示警告消息,如果机器学习模型参数配置
和retrainedMdl
都是相同的。
您已经有了abgeänderte版本死亡Beispiels。Möchten您是谁? Änderungen öffnen?
您有一个连接到MATLAB-Befehl entspricht:
弗伦·德尔奇·艾恩加贝(Führen Sie den Befehl durch Eingabe)在澳大利亚的MATLAB中,韦伯罗(Webbrowser)在MATLAB中的位置比基恩·基恩·MATLAB好。
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。