火车模型

载入费雪的虹膜数据集。去除所有观测到的虹膜数据，以便X和y只包含两个类的数据。

加载fisheririsinds =〜strcmp（物种，“setosa”）;X =量(第1:);Y =物种(第1);

使用处理后的数据金宝app集训练支持向量机分类模型。

Mdl = fitcsvm (X, Y);

Mdl是A.ClassificationSVM模型。

保存模型

将SVM分类模型保存到文件中SVMIris.mat通过使用saveLearnerForCoder．

saveLearnerForCoder (Mdl'svmiris'）;

定义入口点函数

定义一个入口点函数名为classifyiris.这有以下内容：

类型classifyIris.m％显示classifyiris.m文件的内容

% classifyIris使用文件SVMIris中的SVM %模型对X中的鸢尾花进行分类。Mat，然后返回label中的类标签。Mdl = loadLearnerForCoder(“SVMIris”);标签=预测(Mdl X);结尾

添加％＃codegen.编译器指令（或pragma）指向函数签名后的入口点函数，以指示您打算为MATLAB算法生成代码。添加此指令将指示MATLAB代码分析器帮助您诊断和修复在代码生成过程中可能导致错误的冲突。

笔记：如果您点击位于此示例右上角部分的按钮，并在MATLAB®中打开此示例，则MATLAB®将打开示例文件夹。此文件夹包含入口点函数文件。

生成代码

使用生成入口点函数的代码Codegen.(MATLAB编码器)．因为C和C ++是静态类型的语言，所以必须在编译时确定入口点函数中所有变量的属性。经过X作为价值- args.选项指定生成的代码必须接受与训练数据具有相同数据类型和数组大小的输入X．如果观察次数在编译时未知，则还可以使用的方式将输入指定为可变大小coder.typeof(MATLAB编码器)．有关详细信息，请参阅指定代码生成的变量大小参数和指定入口点函数输入的属性(MATLAB编码器)．

Codegen.classifyiris.-  args.{X}

代码成功。

Codegen.生成MEX函数classifyIris_mex与平台相关的扩展。

验证生成的代码

比较分类使用的标签预测那classifyiris.,classifyIris_mex．

label1=预测（Mdl，X）；label2=分类虹膜（X）；label3=分类Iris_mex（X）；验证_label=isequal（label1、label2、label3）

verify_label =逻辑1

是平等的返回逻辑1 (true)，这意味着所有输入都是相等的。三种方法分类的标签都是一样的。

火车模型

加载fisheriris数据集。创建X作为一个数字矩阵，包含四个花瓣测量150鸢尾。创建y作为字符向量的细胞阵列，包含相应的虹膜种类。

加载fisheririsX =量;Y =物种;

使用预测器训练朴素贝叶斯分类器X和班级标签y．

Mdl = fitcnb (X, Y);

Mdl是训练有素的ClassificationniveBayes.分类器。

保存模型

将朴素贝叶斯分类模型保存到文件中naiveBayesIris.mat通过使用saveLearnerForCoder．

saveLearnerForCoder (Mdl“naiveBayesIris”）;

定义入口点函数

定义一个入口点函数名为classifyIrisSingle这有以下内容：

类型classifyIrisSingle.m

函数标签= classifirissingle（x）％＃codegen％classifyirsingle使用单精度天真的贝叶斯型号％classifyirissingle对x中的虹膜花卉测量分类在文件naivebayesiris.mat中的％单精度天真贝叶斯模型，以及％然后返回标签中的预测标签。mdl = loadlearnerforcoder（'naivebayesiris'，'datatype'，'single'）;标签=预测(Mdl X);结尾

添加％＃codegen.编译器指令（或pragma）指向函数签名后的入口点函数，以指示您打算为MATLAB算法生成代码。添加此指令将指示MATLAB代码分析器帮助您诊断和修复在代码生成过程中可能导致错误的冲突。

笔记：如果您单击位于此示例右上角部分的按钮，并在MATLAB中打开此示例，则MATLAB将打开示例文件夹。此文件夹包含入口点函数文件。

生成代码

使用生成入口点函数的代码Codegen.(MATLAB编码器)．因为C和C ++是静态类型的语言，所以必须在编译时确定入口点函数中所有变量的属性。经过X作为价值- args.选项指定生成的代码必须接受与训练数据具有相同数据类型和数组大小的输入X．如果观察次数在编译时未知，则还可以使用的方式将输入指定为可变大小coder.typeof(MATLAB编码器)．有关详细信息，请参阅指定代码生成的变量大小参数和指定入口点函数输入的属性(MATLAB编码器)．

Xpred =单（x）;Codegen.classifyIrisSingle-  args.Xpred

代码成功。

Codegen.生成MEX函数classificirissingle_mex.与平台相关的扩展。

验证生成的代码

比较分类使用的标签预测那classifyIrisSingle,classificirissingle_mex.．

label1 =预测（mdl，x）;label2 = classififirissingle（x）;label3 = classifirissingle_mex（xpred）;验证_label = isequal（label1，label2，label3）

verify_label =逻辑1

是平等的返回逻辑1 (true)，这意味着所有输入都是相等的。三种方法分类的标签都是一样的。如果生成的MEX函数classificirissingle_mex.和功能预测不要产生相同的分类结果，您可以计算错误分类标签的百分比。

sum (strcmp (label3 label1) = = 0) /元素个数(label1) * 100

ans = 0.

火车模型

加载电离层数据集和培训二进制SVM分类模型。

加载电离层mdl = fitcsvm（x，y，“KernelFunction”那'高斯'）;

Mdl是A.ClassificationSVM模型。

保存模型

将SVM分类模型保存到文件中mymdl.mat通过使用saveLearnerForCoder．

saveLearnerForCoder (Mdl'mymdl'）;

定义定点数据类型

用generateLearnerDataTypeFcn生成一个函数，定义支持向量机模型预测所需变量的定点数据类型。

generatelearnerdatatypefcn（'mymdl'，X）

generateLearnerDataTypeFcn生成mymdl_datatype.函数。

创建一个结构T.通过使用定义定点数据类型mymdl_datatype.．

t = mymdl_datatype（'固定的'）

T =结构体字段:XDataType: [0 x0嵌入。FI.] ScoreDataType: [0x0 embedded.fi] InnerProductDataType: [0x0 embedded.fi]

结构T.方法所需的已命名变量和内部变量的字段预测函数。每个字段包含一个定点对象，由FI.(定点设计师)．固定点对象指定定点数据类型属性，例如字长和分数长度。例如，显示预测器数据的固定点数据类型属性。

T.XDataType

ans = [] DataTypeMode: Fixed-point: binary point scaling Signedness: Signed WordLength: 16 FractionLength: 14 RoundingMethod: Floor OverflowAction: Wrap ProductMode: FullPrecision MaxProductWordLength: 128 SumMode: FullPrecision MaxSumWordLength: 128

定义入口点函数

定义一个入口点函数名为myfixedpointpredict.这有以下内容：

类型myFixedPointPredict.m％显示myfixedpointpredict.m文件的内容

功能[标签，分数] = myfixedpointpredict（x，t）％＃codegen mdl = loadlearnerforcoder（'mymdl'，'datatype'，t）;[标签，分数] =预测（MDL，x）;结尾

笔记：如果单击该示例的右上角的按钮并在MATLAB®中打开示例，则MATLAB将打开示例文件夹。此文件夹包含入口点函数文件。

生成代码

这xdatatype.结构场T.指定预测器数据的定点数据类型。转变X到指定的类型T.XDataType通过使用投掷(定点设计师)函数。

x_fx = cast（x，“喜欢”，T.XDataType）；

使用生成入口点函数的代码Codegen.．指定X_FX.和持续的折叠T.作为入口点函数的输入参数。

Codegen.myfixedpointpredict.-  args.{x_fx，coder.constant（t）}

代码成功。

Codegen.生成MEX函数myFixedPointPredict_mex与平台相关的扩展。

验证生成的代码

将预测器数据传递给预测和myFixedPointPredict_mex比较输出。

[标签，分数] =预测（MDL，x）;[labels_fx，scores_fx] = myfixedpointpredict_mex（x_fx，t）;

比较预测和myFixedPointPredict_mex．

验证_labels = isequal（标签，标签_fx）

verify_labels =逻辑1

是平等的返回逻辑1 (true)，这意味着标签和Labels_fx.是平等的。如果标签不等于，则可以根据以下计算错误分类标签的百分比。

sum（strcmp（labels_fx，labels）== 0）/ numel（标签_fx）* 100

ans = 0.

找到分数输出之间的相对差异的最大值。

relDiff_scores = max (abs (scores_fx.double(: 1)分数(:1))。/分数(:1)))

relDiff_scores = 0.0055

如果您对比较结果不满意并希望提高生成的代码的精度，则可以调整固定点数据类型并重新生成代码。有关详细信息，请参阅提示在generateLearnerDataTypeFcn那数据类型功能,支持向量机预测的定点代码生成．