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。

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：

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。

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。

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：

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。