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，要么是坏的(“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

属性的编码器配置程序ClassificationSVM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的标签和分数。

配置器= learnerCoderConfigurer(Mdl,X(1:50，:))，“NumOutputs”2);

配置是一个ClassificationSVMCoderConfigurer对象的编码器配置器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，以便您可以在重新训练模型后更新生成的代码中的参数。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SVM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值。修改SizeVector而且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的大小是可变的还是固定的。

configuration . x . sizevector = [Inf 34];configuration . x . variabledimensions = [true false];

第一个维度的大小是观测的数量。在本例中，代码指定大小的上限为正大小是可变的，这意味着X可以有任意数量的观测值。如果在生成代码时不知道观察数，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，这个值必须固定。X的值包含34个预测器，因此SizeVector属性的值必须为34VariableDimensions属性必须为假．

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appSupportVectors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 34];

Alpha的SizeVector属性已被修改以满足配置约束。SupportVectorLabels的SizeV金宝appector属性已被修改以满足配置约束。

configurati金宝appon . supportvectors . variabledimensions = [true false];

Alpha的VariableDimensions属性已被修改以满足配置约束。已修改SupportVectorLabels的VariableDi金宝appmensions属性以满足配置约束。

的编码器属性金宝appSupportVectors，然后软件修改的编码器属性α而且金宝appSupportVectorLabels满足配置约束。如果修改一个参数的编码器属性需要后续修改其他相关参数以满足配置约束，那么软件将更改相关参数的编码器属性。

生成代码

要生成C/ c++代码，您必须能够访问配置正确的C/ c++编译器。MATLAB Coder定位并使用支持的，已安装的编译器。金宝app你可以使用墨西哥人设置查看和更改默认编译器。详情请参见更改默认编译器．

使用generateCode方法生成代码预测而且更新支持向量机分类模型(Mdl)。

generateCode(配置)

generateCode在output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predict.m而且update.m为预测而且更新的功能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并将MEX函数复制到当前文件夹中。

验证生成的代码

通过一些预测数据来验证是否正确预测的函数Mdl和预测在MEX函数中的函数返回相同的标签。若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。

[label,score] = predict(Mdl,X);[label_mex,score_mex] = ClassificationSVMModel(“预测”, X);

比较标签而且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)如果所有输入都相等。这一比较证实了预测的函数Mdl和预测在MEX函数中的函数返回相同的标签。

score_mex可能包括四舍五入的差异与分数．在这种情况下，比较一下score_mex而且分数，允许一个小的公差。

Find (abs(score-score_mex) > 1e-8)

Ans = 0x1空双列向量

这个比较证实了分数而且score_mex在容忍范围内是否相等1 e-8．

重新训练模型和更新生成代码中的参数

使用整个数据集重新训练模型。

retrainedMdl = fitcsvm(X,Y);

通过使用提取要更新的参数validatedUpdateInputs．该函数检测中修改的模型参数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(配置器，retrainedMdl);

更新生成代码中的参数。

ClassificationSVMModel (“更新”params)

验证生成的代码

的输出进行比较预测的函数retrainedMdl和预测在更新后的MEX函数中。

[label,score] = predict(retrainedMdl,X);[label_mex,score_mex] = ClassificationSVMModel(“预测”, X);label_mex isequal(标签)

ans =逻辑1

Find (abs(score-score_mex) > 1e-8)

Ans = 0x1空双列向量

这个比较证实了标签而且labels_mex相等，且分值在公差范围内相等。