创建机器学习模型的编码器配置器
在训练一个机器学习模型之后,通过使用为该模型创建一个编码器配置器learnerCoderConfigurer
.类的对象函数和属性可指定代码生成选项,并生成C/ c++代码预测
而且更新
机器学习模型的功能。生成C/ c++代码需要MATLAB®编码器™.
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learnerCoderConfigurer
对于突出显示的步骤。
训练一个机器学习模型,然后生成代码预测
而且更新
通过使用编码器配置器实现模型的功能。
加载carsmall
数据集和训练支持向量机(SVM)回归模型。金宝app
负载carsmallX =[马力,重量];Y = mpg;Mdl = fitrsvm(X,Y);
Mdl
是一个RegressionSVM
对象。
属性的编码器配置程序RegressionSVM
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。
configurer = learnerCoderConfigurer(Mdl,X)
configurer = RegressionSVMCoderConfigurer with properties: Update input: Alpha: [1x1 LearnerCoderInput] S金宝appupportVectors: [1x1 LearnerCoderInput] Scale: [1x1 LearnerCoderInput] Bias: [1x1 LearnerCoderInput] Predict input: X: [1x1 LearnerCoderInput]代码生成参数:NumOutputs: 1 OutputFileName: ' regressionsvdermodel '属性,方法
配置
是一个RegressionSVMCoderConfigurer
对象的编码器配置器RegressionSVM
对象。
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.
为预测
而且更新
支持向量机回归模型(Mdl
)。
generateCode(配置)
generateCode在output文件夹中创建这些文件:米”、“预测。米”、“更新。米”、“RegressionSVMModel。代码生成成功。
的generateCode
函数完成以下操作:
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。
创建一个名为RegressionSVMModel
对于两个入口函数。
中为MEX函数创建代码codegen \墨西哥人\ RegressionSVMModel
文件夹中。
将MEX函数复制到当前文件夹。
控件的内容predict.m
,update.m
,initialize.m
文件,使用类型
函数。
类型predict.m
function varargout = predict(X,varargin) %#codegen %由MATLAB自动生成,23-Feb-2021 19:18:25 [varargout{1:nargout}] =初始化('predict',X,varargin{:});结束
类型update.m
函数更新(varargin) %#codegen %由MATLAB自动生成,23-Feb-2021 19:18:25 initialize('update',varargin{:});结束
类型initialize.m
function [varargout] = initialize(command,varargin) %#codegen %由MATLAB自动生成,23-Feb-2021 19:18:25 code .inline('always')持久化模型if isempty(模型)model = loadLearnerForCoder('RegressionSVMModel.mat');end switch(command) case 'update' %更新结构字段:Alpha % SupportVectors %金宝app Scale %偏差模型= update(model,varargin{:});预测输入:X X = varargin{1};if nargin == 2 [varargout{1:nargout}] = predict(模型,X);else PVPairs = cell(1,nargin-2);如果i = 1:nargin-2 pvairs {1,i} = varargin{i+1};end [varargout{1:nargout}] = predict(model,X,PVPairs{:});结束结束
使用部分数据集训练SVM模型,并为模型创建一个编码器配置器。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object函数生成C代码,为新的预测器数据预测标签。然后使用整个数据集重新训练模型,并在生成的代码中更新参数,而不重新生成代码。
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。
Mdl
- - - - - -机器学习模型机器学习模型,指定为完整或紧凑的模型对象,如所支持的模型表所示。金宝app
模型 | 完整/紧凑模型对象 | 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元分类 | ClassificationSVM ,CompactClassificationSVM |
fitcsvm |
二元分类的线性模型 | ClassificationLinear |
fitclinear |
支持向量机和线性模型的多类模型 | ClassificationECOC ,CompactClassificationECOC |
fitcecoc |
用于回归的二叉决策树 | RegressionTree ,CompactRegressionTree |
fitrtree |
金宝app支持向量机(SVM)回归 | RegressionSVM ,CompactRegressionSVM |
fitrsvm |
线性回归 | RegressionLinear |
fitrlinear |
有关机器学习模型的代码生成使用说明和限制,请参阅模型对象页面的代码生成部分。
X
- - - - - -预测数据预测数据预测
的函数Mdl
,指定为n——- - - - - -p数字矩阵,n观察的次数和p是预测变量的数量。而是指定X
作为一个p——- - - - - -n矩阵,其中观测值对应于列,则必须设置“ObservationsIn”
到的名称-值对参数“列”
.此选项仅适用于具有线性二元学习器的线性模型和ECOC模型。
的预测
机器学习模型的功能预测分类标签和对给定预测器数据的回归响应。在创建编码器配置器之后配置
,你可以使用generateCode
函数生成C/ c++代码预测
的函数Mdl
.生成的代码接受具有相同大小和数据类型的预测器数据X
.创建后,可以指定每个维度的大小是可变的还是固定的配置
.
例如,如果您想生成C/ c++代码,使用100个观察值和3个预测变量来预测标签,那么指定X
作为0 (100 3)
.的learnerCoderConfigurer
函数仅使用的大小和数据类型X
,而不是价值观。因此,X
可以是预测器数据,也可以是表示具有特定数据类型的值集的MATLAB表达式。输出配置
的大小和数据类型X
在X
的属性配置
.的大小和数据类型X
在创建配置
.例如,将观察数更改为200,数据类型更改为单
.
configuration . x . sizevector = [200 3];configurer.X.DataType =“单一”;
若要允许生成的C/ c++代码接受最多100个观测值的预测器数据,请指定X
作为0 (100 3)
然后改变VariableDimensions
财产。
configuration . x . variabledimensions = [10];
[1 0]
的第一个维度X
(观测数)具有可变大小和第二次维数X
(预测变量的数量)有固定的大小。指定的观察数(在本例中为100)成为生成的C/ c++代码中允许的最大观察数。若要允许任意数量的观察,请将边界指定为正
.configuration . x . sizevector = [Inf 3];
数据类型:单
|双
的可选逗号分隔对名称,值
参数。的名字
参数名称和价值
对应的值。的名字
必须出现在引号内。您可以以任意顺序指定多个名称和值对参数Name1, Value1,…,的家
.
configurer = learnerCoderConfigurer(Mdl,X,'NumOutputs',2,'OutputFileName','myModel')
中设置输出的数量预测
到2,指定文件名“myModel”
用于生成的C/ c++代码。
“NumOutputs”
- - - - - -输出数预测
属性中的输出参数的个数预测
机器学习模型的功能Mdl
,指定为逗号分隔的对,由“NumOutputs”
一个正整数n
.
属性的输出预测
不同型号的功能。预测
在生成的C/ c++代码中返回第一个n
本署的产出预测
函数在输出列中给出的顺序。
模型 | 预测 模型功能 |
输出 |
---|---|---|
用于多类分类的二叉决策树 | 预测 |
标签 (预测类别标签),分数 (后验概率),节点 (预测类的节点号),cnum (预测标签的类别数) |
支持向量机用于一类和二元分类 | 预测 |
标签 (预测类别标签),分数 (分数或后验概率) |
二元分类的线性模型 | 预测 |
标签 (预测类别标签),分数 (分类评分) |
支持向量机和线性模型的多类模型 | 预测 |
标签 (预测类别标签),NegLoss (负平均二进制损失),PBScore (positive-class分数) |
用于回归的二叉决策树 | 预测 |
Yfit (预测反应),节点 (用于预测的节点编号) |
支持向量机回归 | 预测 |
yfit (预测反应) |
线性回归 | 预测 |
YHat (预测反应) |
例如,如果您指定“NumOutputs”,1
为支持向量机分类模型,则预测
在生成的C/ c++代码中返回预测的类标签。
在创建编码器配置器之后配置
,您可以使用点表示法修改输出的数量。
配置。NumOutputs= 2;
的“NumOutputs”
名称-值对参数等价于“-nargout”
编译器选项codegen
(MATLAB编码器).此选项指定代码生成的入口点函数中的输出参数数量。目标函数generateCode
一个编码器的配置生成两个入口点函数-predict.m
而且update.m
为预测
而且更新
的功能Mdl
,并为这两个入口点函数生成C/ c++代码。的指定值。“NumOutputs”
中输出参数的数量predict.m
.
例子:“NumOutputs”,2
数据类型:单
|双
“OutputFileName”
- - - - - -生成的C/ c++代码的文件名Mdl
对象名称加“模型”
(默认)|特征向量|字符串标量生成的C/ c++代码的文件名,由逗号分隔的对组成“OutputFileName”
和字符向量或字符串标量。
目标函数generateCode
的编码器配置器生成C/ c++代码使用此文件名。
文件名不能包含空格,因为在某些操作系统配置中,空格可能导致代码生成失败。此外,名称必须是有效的MATLAB函数名。
的对象名称Mdl
紧随其后的是“模型”
.例如,如果Mdl
是一个CompactClassificationSVM
或ClassificationSVM
对象,则默认名称为“ClassificationSVMModel”
.
在创建编码器配置器之后配置
,您可以使用点表示法修改文件名。
配置。OutputFileName =“myModel”;
例子:“OutputFileName”、“myModel”
数据类型:字符
|字符串
“详细”
- - - - - -冗长的水平真正的
(逻辑1)(默认)|假
(逻辑0)详细级别,指定为逗号分隔的对,由“详细”
,要么真正的
(逻辑1)或假
(逻辑0).详细级别为编码器配置程序控制命令行上通知消息的显示配置
.
价值 | 描述 |
---|---|
真正的 (逻辑1) |
当对参数的编码器属性的更改导致其他依赖参数的更改时,软件将显示通知消息。 |
假 (逻辑0) |
该软件不显示通知消息。 |
要在生成的代码中更新机器学习模型参数,需要在生成代码之前配置参数的编码器属性。参数的编码器属性相互依赖,因此软件将依赖关系存储为配置约束。如果您使用编码器配置器修改一个参数的编码器属性,并且修改需要后续更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。详细级别决定软件是否显示这些后续更改的通知消息。
在创建编码器配置器之后配置
,可以使用点表示法修改详细级别。
配置。详细的= false;
例子:“详细”,假的
数据类型:逻辑
“ObservationsIn”
- - - - - -预测器数据观测维数“行”
(默认)|“列”
预测器数据观测维数,由逗号分隔的对组成“ObservationsIn”
,要么“行”
或“列”
.如果你设置“ObservationsIn”
来“列”
,然后是预测器数据X
必须有方向,以便观察值与列相对应。
请注意
的“列”
选项仅适用于线性模型和具有线性二元学习器的ECOC模型。
例子:“ObservationsIn”、“列”
配置
-编码器配置机器学习模型的编码器配置器,作为本表中的编码器配置器对象之一返回。
模型 | 编码器配置对象 |
---|---|
用于多类分类的二叉决策树 | ClassificationTreeCoderConfigurer |
支持向量机用于一类和二元分类 | ClassificationSVMCoderConfigurer |
二元分类的线性模型 | ClassificationLinearCoderConfigurer |
支持向量机和线性模型的多类模型 | ClassificationECOCCoderConfigurer |
用于回归的二叉决策树 | RegressionTreeCoderConfigurer |
金宝app支持向量机(SVM)回归 | RegressionSVMCoderConfigurer |
线性回归 | RegressionLinearCoderConfigurer |
类的对象函数和属性可配置代码生成选项,并生成C/ c++代码预测
而且更新
机器学习模型的功能。
Sie haben eine abgeänderte版本dieses Beispiels。Möchten Sie dieses Beispiel mit Ihren Änderungen öffnen?
你的身体和身体之间的联系MATLAB-Befehl
Führen Sie den Befehl durch Eingabe in das MATLAB-Befehlsfenster aus。web浏览器unterstützen keine MATLAB-Befehle。
您也可以从以下列表中选择一个网站:
选择中国站点(中文或英文)以获得最佳站点性能。其他MathWorks国家站点没有针对您所在位置的访问进行优化。