训练分类模型

本示例使用电离层数据集，其中包含雷达返回质量(Y)及预测数据(X)的34个变量。雷达回波要么质量好(‘g’)或不良品质(“b”)．

加载电离层数据集。确定样本量。

负载电离层n =元素个数(Y)

n = 351

假设按顺序探测到雷达返回，您已经有了前300个观测值，但还没有收到最后51个。将数据划分为当前和未来的样本。

prsntX = X(施用:);prsntY = Y(施用);ftrX = X(301年:,);ftrY = Y(301:结束);

使用所有当前可用的数据训练支持向量机模型。指定预测器数据标准化。

svmMdl = fitcsvm (prsntX prsntY,“标准化”,真正的);

svmMdl是一个ClassificationSVM模型。

方法检查负类名和正类名一会的属性svmMdl。

svmMdl。一会

ans =2 x1细胞{b} {' g '}

负类是“b”，而积极类则是‘g’。的输出值分数分类支持向量机预测块的端口具有相同的顺序。第一个和第二个元素分别对应于负类和正类分数。

创建模型模型金宝app

这个例子提供了Simulink模型金宝appslexIonosphereClassificationSVMPredictExample.slx，其中包括ClassificationSVM预测块。您可以打开Simulink模型或创金宝app建本节所述的新模型。

打开Simulin金宝appk模型slexIonosphereClassificationSVMPredictExample.slx。

SimMdlName =“slexIonosphereClassificationSVMPredictExample”；open_system (SimMdlName)

的PreLoadFcn回调函数的slexIonosphereClassificationSVMPredictExample包括加载样本数据、训练SVM模型和为Simulink模型创建输入信号的代码。金宝app如果打开Simulink模型，软金宝app件就会运行代码PreLoadFcn加载Simulink模型之前。金宝app要查看回调函数，请在设置上节建模选项卡上,单击模型设置并选择模型属性。然后,在回调选项卡中,选择PreLoadFcn的回调函数模型的回调窗格。

要创建新的Simulink模型，金宝app请打开空白模型模板，并添加ClassificationSVM Predict块。添加import和Outport块，并将它们连接到ClassificationSVM Predict块。

双击ClassificationSVM Predict块，打开块参数对话框。指定选择训练过的机器学习模型参数,svmMdl，它是包含训练过的SVM模型的工作空间变量的名称。单击刷新按钮。对话框显示用于训练SVM模型的选项svmMdl下训练有素的机器学习模型。选择添加预测类分数的输出端口复选框以添加第二个输出端口分数。

分类支持向量机预测块期望一个包含34个预测值的观测值。双击import块，并设置港维到34号信号的属性选项卡。

以结构数组的形式为Simulink模型创建一个输入信号。金宝app结构数组必须包含以下字段:

为将来雷达返回创建一个适当的结构阵列。

radarReturnInput。时间= (0:50)';radarReturnInput.signals(1)。值= ftrX;radarReturnInput.signals(1)。尺寸大小= (ftrX 2);

从工作区导入信号数据:

有关详细信息，请参见模拟负载信号数据(金宝app模型)。

模拟模型。

sim (SimMdlName);

当import块检测到一个观测值时，它将该观测值导向ClassificationSVM Predict块。你可以使用仿真数据检查(金宝app模型)查看Outport块的记录数据。