代码生成更新模型参数
生成C / C ++的代码预测
和更新
通过使用编码器配置器对象机器学习模型的功能。通过创建该对象learnerCoderConfigurer
其目标函数generateCode
。然后,你可以使用更新
函数更新生成的代码中的模型参数,而不必重新生成代码。当您用新的数据或设置重新训练一个模型时,这个特性减少了重新生成、重新部署和重新验证C/ c++代码所需要的工作。
该流程图显示了使用编码器配置器的代码生成工作流。使用更新
突出显示的步骤。
如果你不生成代码,那么你就需要使用更新
功能。当你再培训在MATLAB模型®时,返回的模型已经包括修改后的参数。
返回的更新版本updatedMdl
=更新(MDL
,参数个数
)MDL
包含在新的参数参数个数
。
对模型进行再培训后,使用validatedUpdateInputs
功能以检测重新训练模型和验证已修改参数的修改后的参数值是否满足的参数的编码器的属性。使用的输出validatedUpdateInputs
中,验证参数,作为输入参数个数
更新模型参数。
使用部分数据集训练SVM模型并创建用于模型编码器配置器。使用的编码器配置者的属性来指定SVM模型参数的编码属性。使用的编码器配置者的目标函数生成C代码,预计标签的新的预测数据。然后重新训练使用在生成的代码中的整个数据集和更新参数模型,而不重新生成的代码。
火车模型
加载电离层
数据集。该数据集具有34个预测和雷达回波351个二进制应答,要么坏('B'
)或良好('G'
)。使用前50个观察训练的二元SVM分类模型。
加载电离层MDL = fitcsvm(X(1:50,:),Y(1:50));
MDL
是ClassificationSVM
宾语。
创建编码器配置者
创建用于编码器配置者ClassificationSVM
模型通过使用learnerCoderConfigurer
。指定预测数据X
。该learnerCoderConfigurer
功能使用输入X
属性配置的编码器属性预测
函数的输入。另外,设定的输出的数目为2,使所生成的代码返回预测标签和分数。
配置= learnerCoderConfigurer (Mdl X (1:50,:)'NumOutputs'2);
配置者
是ClassificationSVMCoderConfigurer
对象,它是一个编码器配置器一ClassificationSVM
宾语。
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,让你可以再培训的模式更新后,在生成的代码的参数。这个例子指定的预测数据的编码器属性要传递给生成的代码和SVM模型的支持向量的编码属性。金宝app
首先,指定的编码器属性X
因此,生成的代码接受任意数量的观察值。修改SizeVector
和VariableDimensions
属性。该SizeVector
属性指定上限的预测数据大小,和VariableDimensions
属性指定的预测数据的每个维度是否具有可变大小或固定大小。
configurer.X.SizeVector = [34 Inf文件]。configurer.X.VariableDimensions = [真假];
第一个维度的大小是观测值的数量。在本例中,代码指定大小的上限为天道酬勤
和大小是可变的,这意味着X
可以有任意数量的意见。该规范是方便,如果生成的代码,当你不知道的观测次数。
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,所以的值SizeVector
属性必须是34和的值VariableDimensions
属性必须是假
。
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
这样就可以更新生成的代码支持向量。金宝app
configurer.金宝appSupportVectors.SizeVector = [250 34];
为阿尔法SizeVector属性已被修改,以满足配置约束。对于SupportVectorLabels Siz金宝appeVector属性已被修改,以满足配置约束。
configurer.金宝appSupportVectors.VariableDimensions = [真假];
已经修改了Alpha的VariableDimensions属性以满足配置约束。supportvectorlabel的VariableDimens金宝appions属性已被修改以满足配置约束。
如果修改的编码器属性金宝appSupportVectors
,那么软件修改编码器的属性Α
和金宝appSupportVectorLabels
满足配置约束。如果一个参数的编码器的属性的修改需要对其他相关的参数的后续变化,以满足配置约束,那么软件改变从属参数的编码器的属性。
生成代码
生成C / C ++代码,你必须能够访问到被正确配置C / C ++编译器。MATLAB编码器定位和使用的支持,安装编译器。金宝app您可以使用MEX
设置
要查看和更改默认的编译器。有关详细信息,请参阅更改默认的编译器(MATLAB)。
使用generateCode
以生成用于代码预测
和更新
该SVM分类模型的函数(MDL
)使用默认设置。
generateCode(配置者)
generateCode创建输出文件夹在这些文件中: 'initialize.m', 'predict.m', 'update.m', 'ClassificationSVMModel.mat'
generateCode
产生,以产生代码所需的MATLAB文件,包括两个入口点的功能predict.m
和update.m
为了预测
和更新
功能MDL
, 分别。然后generateCode
创建一个名为MEX功能ClassificationSVMModel
在两个入口点函数代码生成\ MEX \ ClassificationSVMModel
文件夹,复制MEX函数到当前文件夹。
验证生成的代码
传递一些预测数据来验证是否预测
的函数MDL
和预测
在MEX功能函数返回相同的标签。要调用在具有多个入口点MEX函数的入口点函数,指定函数名作为第一个输入参数。
(标签,分数)=预测(Mdl X);[label_mex, score_mex] = ClassificationSVMModel ('预测',X);
相比标签
和label_mex
通过使用是平等的
。
ISEQUAL(标签,label_mex)
ans =合乎逻辑1
是平等的
返回逻辑1(真正
)如果所有的输入是相等的。对比确认预测
的函数MDL
和预测
在MEX功能函数返回相同的标签。
score_mex
可能包括较四舍五入差异得分了
。在这种情况下,比较score_mex
和得分了
,允许小的公差。
找到(ABS(得分-score_mex)> 1E-8)
ANS =为0x1空双列向量
对比确认得分了
和score_mex
在公差范围内相等1E-8
。
重新训练模型和参数更新中生成的代码
再培训使用整个数据集模型。
retrainedMdl = fitcsvm(X,Y);
通过使用提取的参数更新validatedUpdateInputs
。该函数检测在修改模型参数retrainedMdl
并验证修改后的参数值是否满足参数的编码属性。
PARAMS = validatedUpdateInputs(配置器,retrainedMdl);
更新参数在生成的代码。
ClassificationSVMModel(“更新”,则params)
验证生成的代码
比较从输出预测
的函数retrainedMdl
和预测
功能更新MEX功能。
(标签,分数)=预测(retrainedMdl X);[label_mex, score_mex] = ClassificationSVMModel ('预测',X);ISEQUAL(标签,label_mex)
ans =合乎逻辑1
找到(ABS(得分-score_mex)> 1E-8)
ANS =为0x1空双列向量
对比确认标签
和labels_mex
是相等的,而分数值在公差范围内相等。
使用SVM二进制学习者训练纠错输出编码(ECOC)模型,并创建一个编码器配置器为模型。使用的编码器配置者的属性来指定ECOC模型参数的编码属性。使用的编码器配置者的目标函数生成C代码,预计标签的新的预测数据。然后使用不同的设置,并且在所生成的代码更新参数,而不重新生成的代码重新训练模型。
火车模型
加载费舍尔的虹膜数据集。
加载fisheririsX = MEAS;Y =物种;
创建一个SVM二元学习模板使用高斯核函数和规范的预测数据。
T = templateSVM('KernelFunction',“高斯”,“标准化”,真正);
使用模板训练多类ECOC模型Ť
。
MDL = fitcecoc(X,Y,“学习者”t);
MDL
是ClassificationECOC
宾语。
创建编码器配置者
创建用于编码器配置者ClassificationECOC
模型通过使用learnerCoderConfigurer
。指定预测数据X
。该learnerCoderConfigurer
功能使用输入X
属性配置的编码器属性预测
函数的输入。另外,设定的输出的数目为2,使所生成的代码返回的所述第一两个输出预测
功能,这是所预测的标签和负平均值二进制的损失。
配置器= learnerCoderConfigurer(MDL,X,'NumOutputs',2)
配置器= ClassificationECOCCoderConfigurer具有属性:更新输入:BinaryLearners:[1x1的ClassificationSVMCoderConfigurer]前值:[1x1的LearnerCoderInput]成本:[1x1的LearnerCoderInput]预测输入:X:[1x1的LearnerCoderInput]代码生成参数:NumOutputs:2 OutputFileName: 'ClassificationECOCModel' 属性,方法
配置者
是ClassificationECOCCoderConfigurer
对象,它是一个编码器配置器一ClassificationECOC
宾语。显示器显示的所述可调谐输入参数预测
和更新
:X
,BinaryLearners
,先
和成本
。
指定参数的编码器属性
指定的编码器属性预测
参数(预测数据和名称 - 值对参数'解码'
和'BinaryLoss'
)和更新
参数(支持向量机的学习金宝app者),使您可以使用这些参数作为输入参数预测
和更新
在生成的代码。
首先,指定的编码器属性X
因此,生成的代码接受任意数量的观察值。修改SizeVector
和VariableDimensions
属性。该SizeVector
属性指定上限的预测数据大小,和VariableDimensions
属性指定的预测数据的每个维度是否具有可变大小或固定大小。
configurer.X.SizeVector = [Inf文件4];configurer.X.VariableDimensions = [真假];
第一个维度的大小是观测值的数量。在本例中,代码指定大小的上限为天道酬勤
和大小是可变的,这意味着X
可以有任意数量的意见。该规范是方便,如果生成的代码,当你不知道的观测次数。
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,所以的所述第二值SizeVector
属性必须是4和的第二值VariableDimensions
属性必须是假
。
接下来,修改的编码器属性BinaryLoss
和解码
使用'BinaryLoss'
和'解码'
名称 - 值对的参数在所生成的代码。显示的编码器属性BinaryLoss
。
configurer.BinaryLoss
ANS = EnumeratedInput与属性:属性值: '铰链' SelectedOption: '内置' BuiltInOptions:{1X7细胞} IsConstant:1个可调谐性:0
要使用生成的代码非默认值,必须指定生成的代码之前的值。指定值
属性BinaryLoss
如“指数”
。
configurer.BinaryLoss.Value =“指数”;configurer.BinaryLoss
ANS = EnumeratedInput与属性:属性值: '指数' SelectedOption: '内置' BuiltInOptions:{1X7细胞} IsConstant:1个可调谐性:1
如果修改属性值时可调性
是假
(逻辑0),该软件设置可调性
至真正
(逻辑1)。
显示的编码器属性解码
。
configurer.Decoding
ANS = EnumeratedInput与属性:属性值: 'lossweighted' SelectedOption: '内置' BuiltInOptions:{ 'lossweighted' 'lossbased'} IsConstant:1可调谐性:0
指定IsConstant
属性解码
如假
这样就可以使用所有可用值BuiltInOptions
在生成的代码。
configurer.Decoding.IsConstant = FALSE;configurer.Decoding
ANS = EnumeratedInput与特性:值:[1x1的LearnerCoderInput] SelectedOption: '非恒定' BuiltInOptions:{ 'lossweighted' 'lossbased'} IsConstant:0可调谐性:1
该软件改变值
属性解码
到LearnerCoderInput
对象,以便您可以同时使用“lossweighted”
和“lossbased
'AS的值'解码'
。此外,该软件设置SelectedOption
至“非常数的”
和可调性
至真正
。
最后,修改的编码器属性金宝appSupportVectors
在BinaryLearners
。显示的编码器属性金宝appSupportVectors
。
configurer.BinaryLearners.金宝appSupportVectors
ANS = LearnerCoderInput与属性:SizeVector:[54 4] VariableDimensions:[1 0]数据类型: '双' 可调谐性:1
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如果使用新的数据或不同的设置对ECOC模型进行再培训,支持向量机学习器中的支持向量的数量可能会有所不同。金宝app因此,增加支持向量个数的上界。金宝app
configurer.BinaryLearners.金宝appSupportVectors.SizeVector = [150 4];
为阿尔法SizeVector属性已被修改,以满足配置约束。对于SupportVectorLabels Siz金宝appeVector属性已被修改,以满足配置约束。
如果修改的编码器属性金宝appSupportVectors
,那么软件修改编码器的属性Α
和金宝appSupportVectorLabels
满足配置约束。如果一个参数的编码器的属性的修改需要对其他相关的参数的后续变化,以满足配置约束,那么软件改变从属参数的编码器的属性。
显示编码器配置者。
配置者
配置器= ClassificationECOCCoderConfigurer具有属性:更新输入:BinaryLearners:[1x1的ClassificationSVMCoderConfigurer]前值:[1x1的LearnerCoderInput]成本:[1x1的LearnerCoderInput]预测输入:X:[1x1的LearnerCoderInput] BinaryLoss:[1x1的EnumeratedInput]解码:[1x1的EnumeratedInput]代码生成参数:NumOutputs:2 OutputFileName: 'ClassificationECOCModel' 的属性,方法
显示现在包括BinaryLoss
和解码
为好。
生成代码
生成C / C ++代码,你必须能够访问到被正确配置C / C ++编译器。MATLAB编码器定位和使用的支持,安装编译器。金宝app您可以使用MEX
设置
要查看和更改默认的编译器。有关详细信息,请参阅更改默认的编译器(MATLAB)。
生成的代码预测
和更新
的ECOC分类模型的函数(MDL
)。
generateCode(配置者)
generateCode创建输出文件夹在这些文件中: 'initialize.m', 'predict.m', 'update.m', 'ClassificationECOCModel.mat'
该generateCode
函数完成这些动作:
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
为了预测
和更新
功能MDL
, 分别。
创建一个名为MEX功能ClassificationECOCModel
两个入口点函数。
在该MEX函数创建代码代码生成\ MEX \ ClassificationECOCModel
夹。
该MEX功能复制到当前文件夹。
验证生成的代码
传递一些预测数据来验证是否预测
的函数MDL
和预测
在MEX功能函数返回相同的标签。要调用在具有多个入口点MEX函数的入口点函数,指定函数名作为第一个输入参数。因为您指定'解码'
方法作为可调输入参数IsConstant
生成的代码之前的属性,你还需要在调用MEX函数指定它,即使“lossweighted”
是的默认值'解码'
。
[标号,NegLoss] =预测(MDL,X,'BinaryLoss',“指数”);[label_mex,NegLoss_mex] = ClassificationECOCModel('预测',X,'BinaryLoss',“指数”,'解码',“lossweighted”);
相比标签
至label_mex
通过使用是平等的
。
ISEQUAL(标签,label_mex)
ans =合乎逻辑1
是平等的
返回逻辑1(真正
)如果所有的输入是相等的。对比确认预测
的函数MDL
和预测
在MEX功能函数返回相同的标签。
NegLoss_mex
可能包括比四舍五入的差异NegLoss
。在这种情况下,比较NegLoss_mex
至NegLoss
,允许小的公差。
找到(ABS(NegLoss-NegLoss_mex)> 1E-8)
ANS =为0x1空双列向量
对比确认NegLoss
和NegLoss_mex
在公差范围内相等1E-8
。
重新训练模型和参数更新中生成的代码
重新训练使用不同的设置模式。指定'KernelScale'
如'汽车'
使得软件选择使用启发式算法的适当比例因子。
t_new = templateSVM('KernelFunction',“高斯”,“标准化”,真正,'KernelScale','汽车');retrainedMdl = fitcecoc(X,Y,“学习者”,t_new);
通过使用提取的参数更新validatedUpdateInputs
。该函数检测在修改模型参数retrainedMdl
并验证修改后的参数值是否满足参数的编码属性。
PARAMS = validatedUpdateInputs(配置器,retrainedMdl);
更新参数在生成的代码。
ClassificationECOCModel (“更新”,则params)
验证生成的代码
比较从输出预测
的函数retrainedMdl
从输出预测
功能更新MEX功能。
[标号,NegLoss] =预测(retrainedMdl,X,'BinaryLoss',“指数”,'解码','lossbased');[label_mex,NegLoss_mex] = ClassificationECOCModel('预测',X,'BinaryLoss',“指数”,'解码','lossbased');ISEQUAL(标签,label_mex)
ans =合乎逻辑1
找到(ABS(NegLoss-NegLoss_mex)> 1E-8)
ANS =为0x1空双列向量
对比确认标签
和label_mex
相等,NegLoss
和NegLoss_mex
在公差范围内相等。
使用部分数据集训金宝app练支持向量机(SVM)模型,并创建一个编码器配置器为模型。使用的编码器配置者的属性来指定SVM模型参数的编码属性。使用编码器配置程序的对象函数生成C代码,用于预测新预测器数据的响应。然后重新训练使用在生成的代码中的整个数据集和更新参数模型,而不重新生成的代码。
火车模型
加载carsmall
数据集和训练一个支持向量机回归模型使用前50个观察。
加载carsmallX = [马力,重量];Y = MPG;MDL = fitrsvm(X(1:50,:),Y(1:50));
MDL
是RegressionSVM
宾语。
创建编码器配置者
创建用于编码器配置者RegressionSVM
模型通过使用learnerCoderConfigurer
。指定预测数据X
。该learnerCoderConfigurer
功能使用输入X
属性配置的编码器属性预测
函数的输入。
配置器= learnerCoderConfigurer(MDL,X(1:50,:));
配置者
是RegressionSVMCoderConfigurer
对象,它是一个编码器配置器一RegressionSVM
宾语。
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,让你可以再培训的模式更新后,在生成的代码的参数。这个例子指定的预测数据的编码器属性要传递给生成的代码和SVM回归模型的支持向量的编码属性。金宝app
首先,指定的编码器属性X
因此,生成的代码接受任意数量的观察值。修改SizeVector
和VariableDimensions
属性。该SizeVector
属性指定上限的预测数据大小,和VariableDimensions
属性指定的预测数据的每个维度是否具有可变大小或固定大小。
configurer.X。SizeVector= [Inf 2]; configurer.X.VariableDimensions = [true false];
第一个维度的大小是观测值的数量。在本例中,代码指定大小的上限为天道酬勤
和大小是可变的,这意味着X
可以有任意数量的意见。该规范是方便,如果生成的代码,当你不知道的观测次数。
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,所以值了SizeVector
属性必须是两个和的值VariableDimensions
属性必须是假
。
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
这样就可以更新生成的代码支持向量。金宝app
configurer.金宝appSupportVectors.SizeVector = [250 2];
为阿尔法SizeVector属性已被修改,以满足配置约束。
configurer.金宝appSupportVectors.VariableDimensions = [真假];
已经修改了Alpha的VariableDimensions属性以满足配置约束。
如果修改的编码器属性金宝appSupportVectors
,那么软件修改编码器的属性Α
满足配置约束。如果一个参数的编码器的属性的修改需要对其他相关的参数的后续变化,以满足配置约束,那么软件改变从属参数的编码器的属性。
生成代码
生成C / C ++代码,你必须能够访问到被正确配置C / C ++编译器。MATLAB编码器定位和使用的支持,安装编译器。金宝app您可以使用MEX
设置
要查看和更改默认的编译器。有关详细信息,请参阅更改默认的编译器(MATLAB)。
使用generateCode
以生成用于代码预测
和更新
该SVM回归模型的函数(MDL
)使用默认设置。
generateCode(配置者)
generateCode创建输出文件夹在这些文件中: 'initialize.m', 'predict.m', 'update.m', 'RegressionSVMModel.mat'
generateCode
产生,以产生代码所需的MATLAB文件,包括两个入口点的功能predict.m
和update.m
为了预测
和更新
功能MDL
, 分别。然后generateCode
创建一个名为MEX功能RegressionSVMModel
在两个入口点函数codegen \墨西哥人\ RegressionSVMModel
文件夹,复制MEX函数到当前文件夹。
验证生成的代码
传递一些预测数据来验证是否预测
的函数MDL
和预测
在MEX功能函数返回相同的预计响应。要调用在具有多个入口点MEX函数的入口点函数,指定函数名作为第一个输入参数。
yfit =预测(MDL,X);yfit_mex = RegressionSVMModel ('预测',X);
yfit_mex
可能包括较四舍五入差异yfit
。在这种情况下,比较yfit
和yfit_mex
,允许小的公差。
找到(ABS(yfit-yfit_mex)> 1E-6)
ANS =为0x1空双列向量
对比确认yfit
和yfit_mex
在公差范围内相等1E-6
。
重新训练模型和参数更新中生成的代码
再培训使用整个数据集模型。
retrainedMdl = fitrsvm(X,Y);
通过使用提取的参数更新validatedUpdateInputs
。该函数检测在修改模型参数retrainedMdl
并验证修改后的参数值是否满足参数的编码属性。
PARAMS = validatedUpdateInputs(配置器,retrainedMdl);
更新参数在生成的代码。
RegressionSVMModel(“更新”,则params)
验证生成的代码
比较从输出预测
的函数retrainedMdl
和预测
功能更新MEX功能。
yfit =预测(retrainedMdl X);yfit_mex = RegressionSVMModel ('预测',X);找到(ABS(yfit-yfit_mex)> 1E-6)
ANS =为0x1空双列向量
对比确认yfit
和yfit_mex
在公差范围内相等1E-6
。
使用部分数据集训练回归树,并为模型创建编码器配置器。使用编码器配置程序的属性指定模型参数的编码器属性。使用编码器配置程序的对象函数生成C代码,用于预测新预测器数据的响应。然后使用整个数据集重新训练模型,并在不重新生成代码的情况下更新生成的代码中的参数。
火车模型
加载carbig
数据集,并使用观察半训练回归树模型。
加载carbigX =[位移马力重量];Y = MPG;rng ('默认')%用于重现n =长度(Y);idxTrain = randsample (n, n / 2);XTrain = X (idxTrain:);YTrain = Y (idxTrain);Mdl = fitrtree (XTrain YTrain);
MDL
是RegressionTree
宾语。
创建编码器配置者
创建用于编码器配置者RegressionTree
模型通过使用learnerCoderConfigurer
。指定预测数据XTrain
。该learnerCoderConfigurer
功能使用输入XTrain
属性配置的编码器属性预测
函数的输入。另外,设定的输出的数目为2,使所生成的代码返回预测的预测响应和节点号码。
配置器= learnerCoderConfigurer(MDL,XTrain,'NumOutputs'2);
配置者
是RegressionTreeCoderConfigurer
对象,它是一个编码器配置器一RegressionTree
宾语。
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,让你可以再培训的模式更新后,在生成的代码的参数。
指定的编码器属性X
的属性配置者
因此,生成的代码接受任意数量的观察值。修改SizeVector
和VariableDimensions
属性。该SizeVector
属性指定上限的预测数据大小,和VariableDimensions
属性指定的预测数据的每个维度是否具有可变大小或固定大小。
configurer.X.SizeVector = [Inf文件3];configurer.X.VariableDimensions
ans =1×2阵列的逻辑1 0
第一个维度的大小是观测值的数量。的设置值SizeVector
属性来天道酬勤
导致软件改变的价值VariableDimensions
属性来1
。换句话说,大小的上限是天道酬勤
和大小是可变的,这意味着预测数据可具有任何数量的观察。该规范是方便,如果生成的代码,当你不知道的观测次数。
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SizeVector
属性必须是3
的值VariableDimensions
属性必须是0
。
如果您在使用新的数据或不同的设置重新训练树模型,节点的树的数量可以改变。因此,指定的第一个维度SizeVector
这些性能,这样就可以更新在生成的代码的节点的数目中的一个的属性:孩子们
,割点
,CutPredictorIndex
, 要么NodeMean
。然后,该软件会自动修改其他属性。
例如,设置的所述第一值SizeVector
的属性NodeMean
属性天道酬勤
。该软件修改SizeVector
和VariableDimensions
的属性孩子们
,割点
和CutPredictorIndex
以匹配新的上界树的节点数目。此外,的第一值VariableDimensions
属性NodeMean
要改变1
。
configurer.NodeMean.SizeVector = [Inf文件1];
儿童SizeVector属性已被修改,以满足配置约束。为截点SizeVector属性已被修改,以满足配置约束。对于CutPredictorIndex SizeVector属性已被修改,以满足配置约束。儿童VariableDimensions属性已被修改,以满足配置约束。为截点VariableDimensions属性已被修改,以满足配置约束。对于CutPredictorIndex VariableDimensions属性已被修改,以满足配置约束。
configurer.NodeMean.VariableDimensions
ans =1×2阵列的逻辑1 0
生成代码
生成C / C ++代码,你必须能够访问到被正确配置C / C ++编译器。MATLAB编码器定位和使用的支持,安装编译器。金宝app您可以使用MEX
设置
要查看和更改默认的编译器。有关详细信息,请参阅更改默认的编译器(MATLAB)。
生成的代码预测
和更新
回归树模型的功能(MDL
)。
generateCode(配置者)
generateCode创建输出文件夹在这些文件中: 'initialize.m', 'predict.m', 'update.m', 'RegressionTreeModel.mat'
该generateCode
函数完成这些动作:
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
为了预测
和更新
功能MDL
, 分别。
创建一个名为MEX功能RegressionTreeModel
两个入口点函数。
在该MEX函数创建代码codegen \墨西哥人\ RegressionTreeModel
夹。
该MEX功能复制到当前文件夹。
验证生成的代码
传递一些预测数据来验证是否预测
的函数MDL
和预测
在MEX功能函数返回相同的预计响应。要调用在具有多个入口点MEX函数的入口点函数,指定函数名作为第一个输入参数。
[Yfit,节点] =预测(MDL,XTrain);[Yfit_mex,node_mex] = RegressionTreeModel('预测',XTrain);
相比Yfit
至Yfit_mex
和节点
至node_mex
。
MAX(ABS(Yfit-Yfit_mex),[]“所有”)
ANS = 0
ISEQUAL(节点,node_mex)
ans =合乎逻辑1
一般来说,Yfit_mex
可能包括比四舍五入的差异Yfit
。在这种情况下,比较确认Yfit
和Yfit_mex
是相等的。
是平等的
返回逻辑1(真正
)如果所有的输入参数是相等的。对比确认预测
的函数MDL
和预测
函数中的函数返回相同的节点号。
重新训练模型和参数更新中生成的代码
再培训使用整个数据集模型。
retrainedMdl = fitrtree(X,Y);
通过使用提取的参数更新validatedUpdateInputs
。该函数检测在修改模型参数retrainedMdl
并验证修改后的参数值是否满足参数的编码属性。
PARAMS = validatedUpdateInputs(配置器,retrainedMdl);
更新参数在生成的代码。
RegressionTreeModel(“更新”,则params)
验证生成的代码
比较从输出参数预测
的函数retrainedMdl
和预测
功能更新MEX功能。
[Yfit,节点] =预测(retrainedMdl,X);[Yfit_mex,node_mex] = RegressionTreeModel('预测',X);MAX(ABS(Yfit-Yfit_mex),[]“所有”)
ANS = 0
ISEQUAL(节点,node_mex)
ans =合乎逻辑1
比较证实了预测响应和节点数是相等的。
MDL
-机器学习模型机器学习模型,指定为一个模型对象,如下表所示。金宝app
模型 | 模型对象 |
---|---|
二进制决策树多类分类 | CompactClassificationTree |
SVM一类和二元分类 | CompactClassificationSVM |
线性模型的二元分类 | ClassificationLinear |
多类模型支持向量机和线性模型 | CompactClassificationECOC |
二进制决策树的回归 | CompactRegressionTree |
金宝app支持向量机(SVM)的回归 | CompactRegressionSVM |
线性回归 | RegressionLinear |
对于机器学习模型的代码生成使用说明和限制,请参见模型对象页面的代码生成部分。
参数个数
-参数更新参数在机器学习模型,指定为与每个参数来更新的字段的结构更新。
创建参数个数
通过使用validatedUpdateInputs
功能。在重新训练模型修改的参数该函数检测,只会验证是否修改的参数值满足参数的编码器的属性,并返回的参数更新为一个结构。
可以更新的参数集随机器学习模型的不同而不同,如下表所示。
模型 | 参数更新 |
---|---|
二进制决策树多类分类 | 孩子们 ,ClassProbability ,成本 ,割点 ,CutPredictorIndex ,先 |
SVM一类和二元分类 |
|
线性模型的二元分类 | Beta版 ,偏压 ,成本 ,先 |
多类模型支持向量机和线性模型 | |
二进制决策树的回归 | 孩子们 ,割点 ,CutPredictorIndex ,NodeMean |
SVM回归 |
|
线性回归 | Beta版 ,偏压 |
如果你修改任何此表中列出,当你重新训练模型中的名称 - 值对参数,则不能使用更新
更新参数。您必须重新生成C / C ++代码。
模型 | 参数不支持更新金宝app |
---|---|
二进制决策树多类分类 | 的参数fitctree -“类名” ,“ScoreTransform” |
SVM一类和二元分类 | 的参数fitcsvm -“类名” ,'KernelFunction' ,'PolynomialOrder' ,“ScoreTransform” ,“标准化” |
线性模型的二元分类 | 的参数fitclinear -“类名” ,“ScoreTransform” |
多类模型支持向量机和线性模型 | 的参数 如果指定二进制学习者
|
二进制决策树的回归 | 的参数fitrtree -'ResponseTransform' |
SVM回归 | 的参数fitrsvm -'KernelFunction' ,'PolynomialOrder' ,'ResponseTransform' ,“标准化” |
线性回归 | 的参数fitrlinear -'ResponseTransform' |
在编码器配置器的工作流程,您可以使用generateCode
同时创建update.m
入口点函数和入口点函数的MEX函数。假设MEX函数的名称为基于myModel
,你叫更新
使用此语法。
基于myModel(“更新”,则params)
要了解这个网页上所描述的语法在入口点函数中,显示的内容update.m
和initialize.m
使用类型
功能。
类型update.m类型initialize.m
对于示出的内容的一个例子update.m
和initialize.m
文件,请参阅使用编码器配置程序生成代码。
在编码器配置程序工作流中MDL
的输入参数更新
是一个模型由归国loadLearnerForCoder
。这个模式与updatedMdl
对象是简化的分类或回归模型,主要包含预测所需的属性。
使用注意事项和限制:
使用以下命令创建编码器配置程序learnerCoderConfigurer
然后生成的代码预测
和更新
通过使用对象功能generateCode
。
对于机器学习模型的代码生成的使用注意事项和限制MDL
,请参阅模型对象页面的代码生成部分。
模型 | 模型对象 |
---|---|
二进制决策树多类分类 | CompactClassificationTree |
SVM一类和二元分类 | CompactClassificationSVM |
线性模型的二元分类 | ClassificationLinear |
多类模型支持向量机和线性模型 | CompactClassificationECOC |
二进制决策树的回归 | CompactRegressionTree |
金宝app支持向量机(SVM)的回归 | CompactRegressionSVM |
线性回归 | RegressionLinear |
欲了解更多信息,请参阅介绍代码生成。
你点击了一个链接,对应于这个MATLAB命令:
在MATLAB命令窗口中输入它运行的命令。Web浏览器不支持MATLAB的命令。金宝app
您还可以选择从下面的列表中的网站:
选择最佳的网站性能的中国网站(在中国或英文)。其他MathWorks的国家网站都没有从您的位置访问进行了优化。