ClassificationSVMCoderConfigurer
支持向量机(SVM)的编码器配置器,用于一金宝app类和二进制分类
描述
一个ClassificationSVMCoderConfigurer
对象是支持向量机分类模型的编码器配置器(ClassificationSVM
或CompactClassificationSVM
).
编码器配置器提供了方便的功能来配置代码生成选项,生成C/ c++代码,并在生成的代码中更新模型参数。
使用对象属性配置代码生成选项并指定SVM模型参数的编码器属性。
生成C/ c++代码
预测
而且更新
SVM分类模型的功能generateCode
.生成C/ c++代码需要MATLAB®编码器™.更新生成的C/ c++代码中的模型参数,而不必重新生成代码。当您使用新数据或设置重新训练SVM模型时,此特性减少了重新生成、重新部署和重新验证C/ c++代码所需的工作。在更新模型参数之前,使用
validatedUpdateInputs
验证并提取模型参数进行更新。
此流程图显示了使用编码器配置器的代码生成工作流。
的代码生成使用说明和SVM分类模型的限制,请参阅的代码生成部分CompactClassificationSVM
,预测
,更新
.
创建
训练后,利用支持向量机分类模型fitcsvm
,为模型创建编码器配置器learnerCoderConfigurer
.的编码器属性预测
而且更新
参数。然后,用generateCode
根据指定的编码器属性生成C/ c++代码。
属性
预测
参数
属性的编码器属性预测
生成代码中的函数参数。
X
- - - - - -预测器数据的编码器属性
LearnerCoderInput
对象
编码器属性的预测器数据传递给生成的C/ c++代码预测
SVM分类模型的函数,指定为LearnerCoderInput
对象。
类创建编码器配置程序时learnerCoderConfigurer
函数,输入参数X
属性的默认值LearnerCoderInput
编码器属性:
SizeVector
—默认值为输入的数组大小X
.VariableDimensions
—该值为[0 0]
(默认)或[1 0]
.[0 0]
中指定的固定数组大小SizeVector
.[1 0]
指示数组具有可变大小的行和固定大小的列。的第一个值SizeVector
的上限是行数,第二个值是SizeVector
是列数。
数据类型
—该值为单
或双
.默认数据类型取决于输入的数据类型X
.可调谐性
—必须为真正的
,这意味着预测
在生成的C/ c++代码中总是包含预测器数据作为输入。
可以使用点表示法修改编码器属性。例如,要生成接受三个预测变量的100个观测值的预测器数据的C/ c++代码,请指定的编码器属性为X
对于编码器配置器配置
:
configuration . x . sizevector = [100 3];configurer.X.DataType =“双”;configuration . x . variabledimensions = [0 0];
[0 0]
的第一个和第二个维度X
(分别为观察数和预测变量数)具有固定的大小。
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,请指定这些编码器属性X
:
configuration . x . sizevector = [100 3];configurer.X.DataType =“双”;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
.
NumOutputs
- - - - - -输出数预测
1(默认)|2
类所生成的C/ c++代码返回的输出参数的个数预测
SVM分类模型的函数,指定为1或2。
的输出参数预测
是标签
(预测的类别标签)和分数
(分数或后验概率)按所列顺序排列。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,n
是NumOutputs
价值。
在创建编码器配置器之后配置
,您可以使用点表示法指定输出的数量。
配置。NumOutputs= 2;
的NumOutputs
属性等价于“-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
生成两个入口点函数-predict.m
而且update.m
为预测
而且更新
函数,并为这两个入口点函数生成C/ c++代码。属性的指定值NumOutputs
属性对应于入口点函数中输出参数的数量predict.m
.
数据类型:双
更新
参数
属性的编码器属性更新
生成代码中的函数参数。的更新
函数接受一个训练过的模型和新的模型参数作为输入参数,并返回包含新参数的模型的更新版本。要在生成的代码中启用更新参数,您需要在生成代码之前指定参数的编码器属性。使用一个LearnerCoderInput
对象指定每个参数的编码器属性。默认属性值基于输入参数中的模型参数Mdl
的learnerCoderConfigurer
.
α
- - - - - -训练过的分类器系数的编码器属性
LearnerCoderInput
对象
训练后分类器系数的编码器属性(α
的支持向量机分类模型),指定为LearnerCoderInput
对象。
属性的默认属性值LearnerCoderInput
对象的值均基于输入参数Mdl
的learnerCoderConfigurer
:
SizeVector
—默认值为(年代,1)
,在那里年代
支持向量的个数是多少金宝appMdl
.VariableDimensions
—该值为[0 0]
(默认)或[1 0]
.[0 0]
中指定的固定数组大小SizeVector
.[1 0]
指示数组具有可变大小的行和固定大小的列。的第一个值SizeVector
的上限是行数,第二个值是SizeVector
是列数。
数据类型
—该值为“单一”
或“双”
.默认数据类型与用于训练的训练数据的数据类型一致Mdl
.可调谐性
-如果你用线性核函数训练一个模型,并且模型存储线性预测系数(β
)而没有支持向量和相关值,则金宝app此值必须为假
.否则,此值必须为真正的
.
β
- - - - - -线性预测系数的编码器属性
LearnerCoderInput
对象
线性预测系数的编码器属性(β
的支持向量机分类模型),指定为LearnerCoderInput
对象。
属性的默认属性值LearnerCoderInput
对象的值均基于输入参数Mdl
的learnerCoderConfigurer
:
SizeVector
—必须为(1页)
,在那里p
预测因子的数量在吗Mdl
.VariableDimensions
—必须为[0 0]
,表示数组大小固定SizeVector
.数据类型
—该值为“单一”
或“双”
.默认数据类型与用于训练的训练数据的数据类型一致Mdl
.可调谐性
-如果你用线性核函数训练一个模型,并且模型存储线性预测系数(β
)而没有支持向量和相关值,则金宝app此值必须为真正的
.否则,此值必须为假
.
偏见
- - - - - -编码器属性的偏置项
LearnerCoderInput
对象
偏差项的编码器属性(偏见
的支持向量机分类模型),指定为LearnerCoderInput
对象。
属性的默认属性值LearnerCoderInput
对象的值均基于输入参数Mdl
的learnerCoderConfigurer
:
SizeVector
—必须为[1]
.VariableDimensions
—必须为[0 0]
,表示数组大小固定SizeVector
.数据类型
—该值为“单一”
或“双”
.默认数据类型与用于训练的训练数据的数据类型一致Mdl
.可调谐性
—必须为真正的
.
成本
- - - - - -编码器属性的误分类代价
LearnerCoderInput
对象
错误分类代价的编码器属性(成本
的支持向量机分类模型),指定为LearnerCoderInput
对象。
属性的默认属性值LearnerCoderInput
对象的值均基于输入参数Mdl
的learnerCoderConfigurer
:
SizeVector
—对于二进制分类,该值必须为(2 - 2)
.对于单类分类,此值必须为[1]
.VariableDimensions
—必须为[0 0]
,表示数组大小固定SizeVector
.数据类型
—该值为“单一”
或“双”
.默认数据类型与用于训练的训练数据的数据类型一致Mdl
.可调谐性
—对于二进制分类,默认值为真正的
.对于单类分类,此值必须为假
.
μ
- - - - - -预测器均值的编码器属性
LearnerCoderInput
对象
预测器均值的编码器属性(μ
的支持向量机分类模型),指定为LearnerCoderInput
对象。
属性的默认属性值LearnerCoderInput
对象的值均基于输入参数Mdl
的learnerCoderConfigurer
:
之前
- - - - - -先验概率的编码器属性
LearnerCoderInput
对象
先验概率的编码器属性(之前
的支持向量机分类模型),指定为LearnerCoderInput
对象。
属性的默认属性值LearnerCoderInput
对象的值均基于输入参数Mdl
的learnerCoderConfigurer
:
SizeVector
—对于二进制分类,该值必须为(1 2)
.对于单类分类,此值必须为[1]
.VariableDimensions
—必须为[0 0]
,表示数组大小固定SizeVector
.数据类型
—该值为“单一”
或“双”
.默认数据类型与用于训练的训练数据的数据类型一致Mdl
.可调谐性
—对于二进制分类,默认值为真正的
.对于单类分类,此值必须为假
.
规模
- - - - - -内核规模参数的编码器属性
LearnerCoderInput
对象
内核规模参数的编码器属性(KernelParameters
.Scale
的支持向量机分类模型),指定为LearnerCoderInput
对象。
属性的默认属性值LearnerCoderInput
对象的值均基于输入参数Mdl
的learnerCoderConfigurer
:
SizeVector
—必须为[1]
.VariableDimensions
—必须为[0 0]
,表示数组大小固定SizeVector
.数据类型
—该值为“单一”
或“双”
.默认数据类型与用于训练的训练数据的数据类型一致Mdl
.可调谐性
—默认值为真正的
.
σ
- - - - - -预测器标准差的编码器属性
LearnerCoderInput
对象
预测器标准差的编码器属性(σ
的支持向量机分类模型),指定为LearnerCoderInput
对象。
属性的默认属性值LearnerCoderInput
对象的值均基于输入参数Mdl
的learnerCoderConfigurer
:
金宝appSupportVectorLabels
- - - - - -支持向量类标签的编码器属性金宝app
LearnerCoderInput
对象
支持向量类标签的编码器属性(金宝app金宝appSupportVectorLabels
的支持向量机分类模型),指定为LearnerCoderInput
对象。
属性的默认属性值LearnerCoderInput
对象的值均基于输入参数Mdl
的learnerCoderConfigurer
:
SizeVector
—默认值为(年代,1)
,在那里年代
支持向量的个数是多少金宝appMdl
.VariableDimensions
—该值为[0 0]
(默认)或[1 0]
.[0 0]
中指定的固定数组大小SizeVector
.[1 0]
指示数组具有可变大小的行和固定大小的列。的第一个值SizeVector
的上限是行数,第二个值是SizeVector
是列数。
数据类型
—该值为“单一”
或“双”
.默认数据类型与用于训练的训练数据的数据类型一致Mdl
.可调谐性
-如果你用线性核函数训练一个模型,并且模型存储线性预测系数(β
)而没有支持向量和相关值,则金宝app此值必须为假
.否则,此值必须为真正的
.
金宝appSupportVectors
- - - - - -支持向量的编码器属性金宝app
LearnerCoderInput
对象
支持向量的编码器属性(金宝app金宝appSupportVectors
的支持向量机分类模型),指定为LearnerCoderInput
对象。
属性的默认属性值LearnerCoderInput
对象的值均基于输入参数Mdl
的learnerCoderConfigurer
:
SizeVector
—默认值为(s, p)
,在那里年代
支持向量的个数,和金宝appp
预测因子的数量在吗Mdl
.VariableDimensions
—该值为[0 0]
(默认)或[1 0]
.[0 0]
中指定的固定数组大小SizeVector
.[1 0]
指示数组具有可变大小的行和固定大小的列。的第一个值SizeVector
的上限是行数,第二个值是SizeVector
是列数。
数据类型
—该值为“单一”
或“双”
.默认数据类型与用于训练的训练数据的数据类型一致Mdl
.可调谐性
-如果你用线性核函数训练一个模型,并且模型存储线性预测系数(β
)而没有支持向量和相关值,则金宝app此值必须为假
.否则,此值必须为真正的
.
其他配置选项
OutputFileName
- - - - - -生成的C/ c++代码的文件名
“ClassificationSVMModel”
(默认)|特征向量
生成的C/ c++代码的文件名,指定为字符向量。
目标函数generateCode
的ClassificationSVMCoderConfigurer
使用此文件名生成C/ c++代码。
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。
在创建编码器配置器之后配置
,可以使用点表示法指定文件名。
配置。OutputFileName =“myModel”;
数据类型:字符
详细的
- - - - - -冗长的水平
真正的
(逻辑1)(默认)|假
(逻辑0)
详细级别,指定为真正的
(逻辑1)或假
(逻辑0).详细级别控制命令行上通知消息的显示。
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;
数据类型:逻辑
代码生成自定义选项
要自定义代码生成工作流,请使用generateFiles
函数与下面三个属性相结合codegen
(MATLAB编码器),而不是使用generateCode
函数。
生成两个入口点函数文件后(predict.m
而且update.m
)使用generateFiles
函数,您可以根据代码生成工作流修改这些文件。例如,可以修改predict.m
文件中包含数据预处理,或者可以将这些入口点函数添加到另一个代码生成项目中。方法生成C/ c++代码codegen
(MATLAB编码器)功能和codegen
参数适用于修改后的入口点函数或代码生成项目。使用本节中描述的三个属性作为设置属性的起点codegen
参数。
CodeGenerationArguments
- - - - - -codegen
参数
单元阵列
此属性是只读的。
codegen
(MATLAB编码器)参数,指定为单元格数组。
此属性使您能够自定义代码生成工作流。使用generateCode
函数,如果您不需要自定义工作流。
而不是使用generateCode
使用编码器配置器配置
,可以生成C/ c++代码,如下所示:
generateFiles(配置程序)cgArgs = configuration . codegenerationarguments;codegen (cgArgs {}):
cgArgs
因此,在打电话之前codegen
.
如果修改的其他属性配置
时,软件更新CodeGenerationArguments
相应的属性。
数据类型:细胞
PredictInputs
- - - - - -的输入参数预测
的单元格数组编码器。PrimitiveType
对象
此属性是只读的。
入口点函数的输入参数predict.m
的单元格数组指定,用于代码生成编码器。PrimitiveType
(MATLAB编码器)对象。的编码器。PrimitiveType
对象中存储的预测器数据的编码器属性X
财产。
如果您修改了预测器数据的编码器属性,则软件将更新编码器。PrimitiveType
相应的对象。
的编码器。PrimitiveType
对象PredictInputs
等于配置。CodeGenerationArguments {6}
对于编码器配置器配置
.
数据类型:细胞
UpdateInputs
- - - - - -的可调输入参数列表更新
单元格数组的结构包括编码器。PrimitiveType
对象
此属性是只读的。
入口点函数的可调输入参数列表update.m
用于代码生成,指定为包含的结构的单元格数组编码器。PrimitiveType
(MATLAB编码器)对象。每一个编码器。PrimitiveType
对象包含可调机器学习模型参数的编码器属性。
如果您使用编码器配置器属性(更新
参数属性),然后软件进行相应的更新编码器。PrimitiveType
相应的对象。如果您指定可调谐性
机器学习模型参数的属性为假
,然后软件删除相应的编码器。PrimitiveType
对象的UpdateInputs
列表。
的结构UpdateInputs
等于配置。CodeGenerationArguments {3}
对于编码器配置器配置
.
数据类型:细胞
对象的功能
generateCode |
使用编码器配置器生成C/ c++代码 |
generateFiles |
生成MATLAB使用编码器配置器生成代码的文件 |
validatedUpdateInputs |
验证并提取机器学习模型参数进行更新 |
例子
使用编码器配置器生成代码
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。
加载电离层
数据集和训练二叉支持向量机分类模型。
负载电离层Mdl = fitcsvm(X,Y);
Mdl
是一个ClassificationSVM
对象。
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。
configurer = learnerCoderConfigurer(Mdl,X)
configurer = ClassificationSVMCoderConfigurer带属性:更新输入:Alpha: [1x1 LearnerCoderInput] SupportVectors: [1x1 Lea金宝apprnerCoderInput] SupportVectorLabels: [1x1 LearnerCoderInput] Scale: [1x1 LearnerCoderInput] Bias: [1x1 LearnerCoderInput] Prior: [1x1 LearnerCoderInput] Cost: [1x1 LearnerCoderInput] Predict input: X: [1x1 LearnerCoderInput]代码生成参数:NumOutputs: 1 OutputFileName: ' classificationsvdermodel '属性,方法
配置
是一个ClassificationSVMCoderConfigurer
对象的编码器配置器ClassificationSVM
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。
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
ClassificationSVMModel
对于两个入口函数。中为MEX函数创建代码
codegen \墨西哥人\ ClassificationSVMModel
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,26-Feb-2022 15:28:09 [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,26-Feb-2022 15:28:09 initialize('update',varargin{:});结束
类型initialize.m
function [varargout] = initialize(command,varargin) %#codegen %由MATLAB自动生成,26-Feb-2022 15:28:09 code .inline('always')持久化模型if isempty(model) model = loadLearnerForCoder('ClassificationSVMModel.mat');end switch(command) case 'update' %更新结构字段:Alpha % SupportVectors %金宝app SupportVectorLabels % Scale % Bias % Prior % Cost model = 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
生成代码中SVM分类模型参数的更新
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。
更多关于
LearnerCoderInput
对象
编码器配置器使用LearnerCoderInput
对象指定的编码器属性预测
而且更新
输入参数。
一个LearnerCoderInput
对象具有以下属性,用于在生成的代码中指定输入参数数组的属性。
属性名称 | 描述 |
---|---|
SizeVector |
数组大小,如果对应 数组大小的上界,如果对应 |
VariableDimensions |
指示符,指定数组的每个维度是具有可变大小还是固定大小,指定为
|
数据类型 |
数组的数据类型 |
可调谐性 |
指示是否存在的指标 如果指定其他属性值时 |
创建编码器配置器后,可以使用点表示法修改编码器属性。例如,指定系数的编码器属性α
编码器配置器的配置
如下:
configuration . alpha . sizevector = [100 1];configuration . alpha . variabledimensions = [1 0];configurer.Alpha.DataType =“双”;
详细的
),真正的
(默认),则当您修改机器学习模型参数的编码器属性,且该修改更改了其他依赖参数的编码器属性时,软件将显示通知消息。
版本历史
Abrir比如
Tiene una versión modificada de este ejemplo。¿Desea abrir este ejemplo con sus modificaciones?
MATLAB突击队
Ha hecho clic en unenlace que对应一个este commando de MATLAB:
弹射突击队introduciéndolo en la ventana de commandos de MATLAB。Los navegadores web no permission comandos de MATLAB。
您也可以从以下列表中选择一个网站:
如何获得最佳的网站性能
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。