预处理数据和训练支持向量机分类器

加载病人使用的数据集。创建一个表舒张压和收缩压数值变量。表的每一行对应一个不同的病人。

负载病人台=表(舒张压、收缩压);头(台)

ans =8×2表舒张压收缩压_____ ________ 93 124 77 109 83 125 75 117 80 122 70 121 88 130 82 115

转换性别变量,分类变量。类别的顺序categoricalGender很重要,因为它决定了预测数据的顺序列。使用dummyvar将分类变量转换为0和1的矩阵,其中1的价值(i, j)表明th条目我病人属于j类别。

categoricalGender =分类(性别);orderGender =类别(categoricalGender)

orderGender =2 x1细胞{'女'}{‘男性’}

dummyGender = dummyvar (categoricalGender);

注意:由此产生的dummyGender矩阵的秩是有缺陷的。取决于你火车模型的类型,这等级不足可能会有问题。例如,当训练线性模型,消除虚变量的第一列。

创建一个表,其中包含了哑变量dummyGender与标题对应的变量。把这个新表资源描述。

tblGender = array2table (dummyGender,“VariableNames”,orderGender);台=[(资源tblGender];头(台)

ans =8×4表________ ________舒张收缩女性男性____ ____ 93 124 0 1 77 109 0 0 1 83 125 75 117 0 1 0 80 122 70 121 0 1 0 88 130 82 115 0 1

转换SelfAssessedHealthStatus变量,分类变量。注意类的顺序categoricalHealth,将变量转换为一个数字矩阵dummyvar。

categoricalHealth =分类(SelfAssessedHealthStatus);orderHealth =类别(categoricalHealth)

orderHealth =4 x1细胞{‘优秀’}{‘公平’}{‘好’}{“贫穷”}

dummyHealth = dummyvar (categoricalHealth);

创建一个表,其中包含dummyHealth与标题对应的变量。把这个新表资源描述。

tblHealth = array2table (dummyHealth,“VariableNames”,orderHealth);台=[(资源tblHealth];头(台)

ans =8×8表舒张收缩女性男性优秀的公平好可怜的_____ ________ ________ ___ _____ _____上93 124 0 1 1 0 0 0 77 109 0 1 0 1 0 0 0 0 0 1 0 83 125 75 117 1 0 0 1 0 0 0 0 0 1 0 80 122 70 121 1 0 0 0 0 0 0 0 1 0 88 130 82 115 0 1 0 0 1 0

的第三行资源描述例如,对应于一个病人与这些特点:舒张压83,收缩压125年女性,和良好的自我评价健康状况。

因为所有的值资源描述是数字,可以将表转换成矩阵X。

X = table2array(台);

训练一个支持向量机分类器使用X。指定吸烟者变量的响应。

Y =吸烟者;Mdl = fitcsvm (X, Y);

生成C / c++代码

生成的代码加载SVM分类器,接受新的预测数据作为输入参数,然后分类新数据。

将支持向量机分类器保存到一个文件使用saveLearnerForCoder。

saveLearnerForCoder (Mdl“SVMClassifier”)

saveLearnerForCoder节省了MATLAB®二进制文件的分类器SVMClassifier.mat作为一个结构数组在当前文件夹。

定义的入口点函数mySVMPredict新的预测数据作为输入参数。内部函数,加载SVM分类器通过使用loadLearnerForCoder,然后通过加载分类器预测。

函数标签= mySVMPredict (X)% # codegenMdl = loadLearnerForCoder (“SVMClassifier”);标签=预测(Mdl X);结束

生成的代码mySVMPredict通过使用codegen。指定数据类型和维度的新预测数据通过使用coder.typeof这样生成的代码接受适应可变数组。

codegenmySVMPredictarg游戏{编码器。typeof (X,[正8],[1 0])}

代码生成成功。

验证mySVMPredict和墨西哥人训练数据文件返回相同的结果。

标签=预测(Mdl X);mylabel = mySVMPredict (X);mylabel_mex = mySVMPredict_mex (X);verifyMEX = isequal(标签、mylabel mylabel_mex)

verifyMEX =逻辑1

预测新数据标签

预测新数据标签,您必须首先进行预处理的新数据。如果你在MATLAB环境中运行生成的代码,您可以按照本节中描述的预处理步骤。如果你部署生成的代码在MATLAB环境中,可以不同的预处理步骤。在这两种情况下,您必须确保新数据具有相同的列作为训练数据X。

在这个例子中,第三,第四和第五的病人病人数据集。为这些患者预处理数据,这样产生的数值矩阵匹配训练数据的形式。

分类变量转换为虚拟变量。因为新的观察结果可能不包括所有类别值,您需要指定相同的类别中使用的培训和维护同一类别秩序。在MATLAB,通过命令单元阵列的类别名称与相应的训练数据变量(在这个例子中,orderGender性别价值观和orderHealth对自我评价的健康状态值)。

newcategoricalGender =分类(性别(3:5),orderGender);newdummyGender = dummyvar (newcategoricalGender);newcategoricalHealth =分类(SelfAssessedHealthStatus (3:5), orderHealth);newdummyHealth = dummyvar (newcategoricalHealth);

结合所有的新数据转换成一个数字矩阵。

newX =[舒张压(3:5)收缩压(3:5)newdummyGender newdummyHealth]

newX =3×80 75 117 83 125 1 0 0 0 1 1 0 0 1 0 0 80 122 1 0 0 0 1 0

请注意,newX完全对应第三、第四和第五行的矩阵X。

验证mySVMPredict和墨西哥人文件为新数据返回相同的结果。

newX newlabel =预测(Mdl);newmylabel = mySVMPredict (newX);newmylabel_mex = mySVMPredict_mex (newX);newverifyMEX = isequal (newlabel newmylabel newmylabel_mex)

newverifyMEX =逻辑1