更新

火车模型

加载电离层数据集。该数据集有34个预测因子和351个雷达回波的二进制响应，要么是坏的(“b”)或好(‘g’）.

负载电离层

使用前50个观测值和具有自动核尺度的高斯核函数训练二值支持向量机分类模型。

Mdl = fitcsvm(X(1:50，:)，Y(1:50)，…“KernelFunction”，“高斯”，“KernelScale”，“汽车”）;

Mdl是一个ClassificationSVM对象。

创建编码器配置器

的编码器配置器ClassificationSVM通过使用learnerCoderConfigurer。指定预测器数据X。的learnerCoderConfigurer函数使用输入X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。

configurer = 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代码中的参数。此示例指定您希望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

的编码器属性X以便生成的代码接受任意数量的观察值。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可变大小还是固定大小。

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

第一个维度的大小是观测值的数量。在本例中，代码指定大小的上界为正大小是可变的，也就是说X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。X包含34个预测器，所以SizeVector属性必须为34，且VariableDimensions属性必须为假。

如果使用新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的编码器属性金宝appSupportVectors这样您就可以更新生成代码中的支持向量。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 =[真假];

Alpha的VariableDimensions属性已被修改以满足配置约束。SupportVectorLabels的VariableDimen金宝appsions属性已被修改以满足配置约束。

的编码器属性金宝appSupportVectors，然后软件修改编码器属性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后续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，必须使用配置正确的C/ c++编译器。MATLAB编码器定位并使用支持的已安装编译器。金宝app你可以用墨西哥人设置查看和更改默认编译器。有关详细信息，请参见更改默认编译器。

使用generateCode来生成代码预测和更新支持向量机分类模型(Mdl)使用默认设置。

generateCode(配置)

generateCode在输出文件夹中创建这些文件:米”、“预测。米”、“更新。米”、“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和update.m为预测和更新的功能Mdl,分别。然后generateCode创建一个名为ClassificationSVMModel中的两个入口点函数codegen \墨西哥人\ ClassificationSVMModel文件夹，并将MEX函数复制到当前文件夹。

验证生成的代码

传递一些预测器数据来验证是否预测的函数Mdl和预测函数返回相同的标签。要在具有多个入口点的MEX函数中调用入口点函数，请将函数名称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)，如果所有输入都相等。比较证实了预测的函数Mdl和预测函数返回相同的标签。

score_mex可能包括与的舍入差异分数。在这种情况下，比较score_mex和分数允许一个小的容忍。

查找(abs(score-score_mex) > 1e-8)

Ans = 0x1空双列向量

对比证实了分数和score_mex是否在容忍范围内相等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，…“KernelFunction”，“高斯”，“KernelScale”，“汽车”）;

提取要更新的参数validatedUpdateInputs。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和预测函数在更新后的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

查找(abs(score-score_mex) > 1e-8)

Ans = 0x1空双列向量

对比证实了标签和labels_mex是相等的，并且分数值在公差范围内相等。

火车模型

载入Fisher的虹膜数据集。

负载fisheririsX =平均值;Y =物种;

创建一个支持向量机二进制学习器模板，使用高斯核函数并标准化预测器数据。

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

的编码器配置器ClassificationECOC通过使用learnerCoderConfigurer。指定预测器数据X。的learnerCoderConfigurer函数使用输入X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方法的前两个输出预测函数，它们是预测标签和负平均二值损失。

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

configurer = ClassificationECOCCoderConfigurer与属性:更新输入:BinaryLearners: [1x1 ClassificationSVMCoderConfigurer]先验:[1x1 LearnerCoderInput]成本:[1x1 LearnerCoderInput]预测输入:X: [1x1 LearnerCoderInput]代码生成参数:NumOutputs: 2 OutputFileName: 'ClassificationECOCModel'属性，方法

配置是一个ClassificationECOCCoderConfigurer对象的编码器配置器ClassificationECOC对象。的可调输入参数预测和更新：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(预测器数据和名称-值对参数)“解码”和“BinaryLoss”),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。

的编码器属性X以便生成的代码接受任意数量的观察值。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可变大小还是固定大小。

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

第一个维度的大小是观测值的数量。在本例中，代码指定大小的上界为正大小是可变的，也就是说X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。X包含4个预测器，所以SizeVector属性的第二个值必须为4VariableDimensions属性必须为假。

的编码器属性BinaryLoss和解码要使用“BinaryLoss”和“解码”生成代码中的名称-值对参数。的编码器属性BinaryLoss。

配置。BinaryLoss

ans = EnumeratedInput与属性:值:'hinge' SelectedOption: '内置' BuiltInOptions: {'hamming' '线性' '二次' '指数' '双方差' 'hinge' 'logit'} 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:{'汉明' '线性' '二次' '指数' '双方差' '铰链' 'logit'} 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)。

的编码器属性解码。

配置。解码

ans = EnumeratedInput与属性:值:' lossweights ' SelectedOption: 'Built-in' BuiltInOptions: {' lossweights ' 'lossbased'} IsConstant: 1可调性:0

指定IsConstant的属性解码作为假这样你就可以使用BuiltInOptions在生成的代码中。

configuration . decoding . isconstant = false;配置。解码

ans = EnumeratedInput与属性:值:[1x1 LearnerCoderInput] SelectedOption: 'NonConstant' BuiltInOptions: {'loss - weighting ' 'loss - based'} 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的值“解码”。同时，软件设置SelectedOption来“非常数的”和可调谐性来真正的。

的编码器属性金宝appSupportVectors在BinaryLearners。的编码器属性金宝appSupportVectors。

configurer.BinaryLearners.金宝appSupportVectors

ans = LearnerCoderInput with properties: SizeVector: [554] VariableDimensions: [10] DataType: 'double'可调性:1

的默认值。VariableDimensions是(真假)因为每个学习者有不同数量的支持向量。金宝app如果使用新数据或不同的设置重新训练ECOC模型，支持向量机学习器中的支持向量数量可能会有所不同。金宝app因此，增大支持向量个数的上界。金宝app

configuration . binarylear金宝appners . supportvectors . sizevector = [1504];

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。

的编码器属性金宝appSupportVectors，然后软件修改编码器属性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后续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

configurer = ClassificationECOCCoderConfigurer与属性:更新输入:BinaryLearners: [1x1 ClassificationSVMCoderConfigurer]先验:[1x1 LearnerCoderInput]成本:[1x1 LearnerCoderInput]预测输入:X: [1x1 LearnerCoderInput] BinaryLoss: [1x1 EnumeratedInput]解码:[1x1 EnumeratedInput]代码生成参数:NumOutputs: 2 OutputFileName: 'ClassificationECOCModel'属性，方法

现在的显示包括BinaryLoss和解码也

生成代码

要生成C/ c++代码，必须使用配置正确的C/ c++编译器。MATLAB编码器定位并使用支持的已安装编译器。金宝app你可以用墨西哥人设置查看和更改默认编译器。有关详细信息，请参见更改默认编译器。

为预测和更新ECOC分类模型的功能(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”、“ClassificationECOCModel。代码生成成功。

的generateCodeFunction完成这些动作:

验证生成的代码

传递一些预测器数据来验证是否预测的函数Mdl和预测函数返回相同的标签。要在具有多个入口点的MEX函数中调用入口点函数，请将函数名称指定为第一个输入参数。因为你指定了“解码”作为可调的输入参数IsConstant属性，您还需要在对MEX函数的调用中指定它“lossweighted”默认值是“解码”。

[label,NegLoss] =预测(Mdl,X，)“BinaryLoss”，“指数”）;[label_mex, neglo_mex] = ClassificationECOCModel()“预测”, X,“BinaryLoss”，“指数”，“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)，如果所有输入都相等。比较证实了预测的函数Mdl和预测函数返回相同的标签。

NegLoss_mex可能包括与的舍入差异NegLoss。在这种情况下，比较NegLoss_mex来NegLoss允许一个小的容忍。

查找(abs(negloss - neglo_mex) > 1e-8)

Ans = 0x1空双列向量

对比证实了NegLoss和NegLoss_mex是否在容忍范围内相等1 e-8。

重新训练模型和更新生成代码中的参数

使用不同的设置重新训练模型。指定“KernelScale”作为“汽车”软件采用启发式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);

提取要更新的参数validatedUpdateInputs。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。

ClassificationECOCModel (“更新”params)

验证生成的代码

的输出进行比较预测的函数retrainedMdl的输出预测函数在更新后的MEX函数中。

[label,NegLoss] = predict(retrainedMdl,X，)“BinaryLoss”，“指数”，“解码”，“lossbased”）;[label_mex, neglo_mex] = ClassificationECOCModel()“预测”, X,“BinaryLoss”，“指数”，“解码”，“lossbased”）;label_mex isequal(标签)

ans =逻辑1

查找(abs(negloss - neglo_mex) > 1e-8)

Ans = 0x1空双列向量

对比证实了标签和label_mex是相等的，并且NegLoss和NegLoss_mex在容忍范围内都是平等的。

火车模型

加载carsmall数据集。

负载carsmallX =[马力，重量];Y = mpg;

使用前50个观测值和具有自动核标度的高斯核函数训练SVM回归模型。

Mdl = fitrsvm(X(1:50，:)，Y(1:50)，…“KernelFunction”，“高斯”，“KernelScale”，“汽车”）;

Mdl是一个RegressionSVM对象。

创建编码器配置器

的编码器配置器RegressionSVM通过使用learnerCoderConfigurer。指定预测器数据X。的learnerCoderConfigurer函数使用输入X的编码器属性预测函数的输入。

configurer = learnerCoderConfigurer(Mdl,X(1:50，:));

配置是一个RegressionSVMCoderConfigurer对象的编码器配置器RegressionSVM对象。

指定参数的编码器属性

指定SVM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。此示例指定您希望传递给生成的代码的预测器数据的编码器属性，以及SVM回归模型的支持向量的编码器属性。金宝app

的编码器属性X以便生成的代码接受任意数量的观察值。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可变大小还是固定大小。

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

第一个维度的大小是观测值的数量。在本例中，代码指定大小的上界为正大小是可变的，也就是说X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。X包含两个预测器，所以SizeVector属性的值必须为2VariableDimensions属性必须为假。

如果使用新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的编码器属性金宝appSupportVectors这样您就可以更新生成代码中的支持向量。金宝app

configurati金宝appon . supportvectors . sizevector = [250 2];

Alpha的SizeVector属性已被修改以满足配置约束。

configurati金宝appon . supportvectors . variabledimensions =[真假];

Alpha的VariableDimensions属性已被修改以满足配置约束。

的编码器属性金宝appSupportVectors，然后软件修改编码器属性α以满足配置约束。如果修改一个参数的编码器属性需要后续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，必须使用配置正确的C/ c++编译器。MATLAB编码器定位并使用支持的已安装编译器。金宝app你可以用墨西哥人设置查看和更改默认编译器。有关详细信息，请参见更改默认编译器。

使用generateCode来生成代码预测和更新支持向量机回归模型(Mdl)使用默认设置。

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predict.m和update.m为预测和更新的功能Mdl,分别。然后generateCode创建一个名为RegressionSVMModel中的两个入口点函数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

传递一些预测器数据来验证是否预测的函数Mdl和预测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，请将函数名称指定为第一个输入参数。

yfit = predict(Mdl,X);yfit_mex =回归svm模型(“预测”, X);

yfit_mex可能包括与的舍入差异yfit。在这种情况下，比较yfit和yfit_mex允许一个小的容忍。

查找(abs(yfit-yfit_mex) > 1e-6)

Ans = 0x1空双列向量

对比证实了yfit和yfit_mex是否在容忍范围内相等1 e-6。

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 = fitrsvm(X,Y，…“KernelFunction”，“高斯”，“KernelScale”，“汽车”）;

提取要更新的参数validatedUpdateInputs。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。

RegressionSVMModel (“更新”params)

验证生成的代码

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

yfit = predict(retrainedMdl,X);yfit_mex =回归svm模型(“预测”, X);查找(abs(yfit-yfit_mex) > 1e-6)

Ans = 0x1空双列向量

对比证实了yfit和yfit_mex是否在容忍范围内相等1 e-6。

火车模型

加载carbig数据集，并使用一半的观测值训练回归树模型。

负载carbigX =[排量马力重量];Y = mpg;rng (“默认”）%为了重现性n = length(Y);idxTrain = randsample(n,n/2);XTrain = X(idxTrain，:);YTrain = Y(idxTrain);Mdl = fittrtree (XTrain,YTrain);

Mdl是一个RegressionTree对象。

创建编码器配置器

的编码器配置器RegressionTree通过使用learnerCoderConfigurer。指定预测器数据XTrain。的learnerCoderConfigurer函数使用输入XTrain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响应和预测的节点号。

configurer = learnerCoderConfigurer(Mdl,XTrain，“NumOutputs”2);

配置是一个RegressionTreeCoderConfigurer对象的编码器配置器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的代码中的参数。

的编码器属性X的属性配置以便生成的代码接受任意数量的观察值。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可变大小还是固定大小。

configuration . x . sizevector = [Inf];configurer.X.VariableDimensions

ans =1x2逻辑阵列1 0

第一个维度的大小是观测值的数量。的值SizeVector属性来正参数的值被软件修改VariableDimensions属性来1。换句话说，大小的上界是正而且大小是可变的，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。因为预测器数据包含3个预测器，所以SizeVector属性必须为3.的值VariableDimensions属性必须为0。

如果使用新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。的第一个维度SizeVector属性，以便您可以更新生成代码中的节点数量:孩子们，割点，CutPredictorIndex,或NodeMean。然后软件自动修改其他属性。

的第一个值SizeVector属性NodeMean财产正。软件修改SizeVector和VariableDimensions的属性孩子们，割点,CutPredictorIndex以匹配树中节点数的新上界。的第一个值VariableDimensions的属性NodeMean更改1。

configuration . nodemean . sizevector = [Inf];

已经修改了儿童的SizeVector属性以满足配置约束。切割点的SizeVector属性已被修改以满足配置约束。已经修改了CutPredictorIndex的SizeVector属性，以满足配置约束。已经修改了Children的VariableDimensions属性以满足配置约束。CutPoint的VariableDimensions属性已被修改以满足配置约束。已经修改了CutPredictorIndex的VariableDimensions属性，以满足配置约束。

configurer.NodeMean.VariableDimensions

ans =1x2逻辑阵列1 0

生成代码

要生成C/ c++代码，必须使用配置正确的C/ c++编译器。MATLAB编码器定位并使用支持的已安装编译器。金宝app你可以用墨西哥人设置查看和更改默认编译器。有关详细信息，请参见更改默认编译器。

为预测和更新回归树模型(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generateCodeFunction完成这些动作:

验证生成的代码

传递一些预测器数据来验证是否预测的函数Mdl和预测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，请将函数名称指定为第一个输入参数。

[Yfit,node] = predict(Mdl,XTrain);[Yfit_mex,node_mex] = RegressionTreeModel(“预测”, XTrain);

比较Yfit来Yfit_mex和节点来node_mex。

马克斯(abs (Yfit-Yfit_mex), [],“所有”）

Ans = 0

node_mex isequal(节点)

ans =逻辑1

一般来说,Yfit_mex可能包括与的舍入差异Yfit。在这种情况下，比较证实了Yfit和Yfit_mex是相等的。

isequal返回逻辑1 (真正的)，如果所有输入参数都相等。比较证实了预测的函数Mdl和预测函数返回相同的节点号。

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 = fittrtree (X,Y);

提取要更新的参数validatedUpdateInputs。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。

RegressionTreeModel (“更新”params)

验证生成的代码

的输出参数进行比较预测的函数retrainedMdl和预测函数在更新后的MEX函数中。

[Yfit,node] = predict(retrainedMdl,X);[Yfit_mex,node_mex] = RegressionTreeModel(“预测”, X);马克斯(abs (Yfit-Yfit_mex), [],“所有”）

Ans = 0

node_mex isequal(节点)

ans =逻辑1

结果表明，预测响应和节点数是相等的。