主要内容

classificationcoccoderconfigurer

使用二进制学习器的多类模型的编码器配置器

描述

一个classificationcoccoderconfigurer对象是多类纠错输出码(ECOC)分类模型的编码器配置器(ClassificationECOC或者CompactClassificationECOC)使用支持向量机(SVM金宝app)或线性二进制学习者。

编码器配置器提供了方便的特性来配置代码生成选项、生成C/ c++代码以及更新生成代码中的模型参数。

  • 配置代码生成选项,并使用对象属性指定模型参数的编码器属性。

  • 生成C/ c++代码预测更新ECOC模式的功能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,而无需重新生成代码。使用新数据或设置重新启动模型时,此功能会减少重新生成,重新部署和探索C / C ++代码所需的努力。在更新模型参数之前,使用验证updateInpuls.验证和提取要更新的模型参数。

此流程图显示使用编码器配置程序的代码生成工作流程。

有关多类ECOC分类模型的代码生成使用说明和限制,请参阅CompactClassificationECOC预测, 和更新

创建

使用SVM或线性二进制学习者培训多种多组ECOC分类模型后Fitcecoc.,使用以下方法为模型创建一个编码器配置器learnerCoderConfigurer.使用编码器配置器的属性来指定编码器属性预测更新参数。然后,用generateCode根据指定的编码器属性生成C/ c++代码。

特性

展开全部

预测争论

属性的编码器属性预测生成的代码中的函数参数。

编码器属性的预测器数据传递到生成的C/ c++代码预测ECOC分类模型的功能,指定为aLearnerCoderInput目的。

使用使用时创建编码器配置程序时learnerCoderConfigurer函数,输入参数X确定默认值LearnerCoderInput编码器属性:

  • SizeVector- 默认值是输入的数组大小X

    • 如果价值属性的观察结果本物业classificationcoccoderconfigurer“行”,那么这SizeVector价值是[n p],在那里n对应于观测次数和p对应于预测器的数量。

    • 如果价值属性的观察结果本物业classificationcoccoderconfigurer“列”,那么这SizeVector价值是[p n]

    切换元素SizeVector(例如,改变[n p][p n]),修改价值属性的观察结果本物业classificationcoccoderconfigurer相应的行动。您不能修改SizeVector直接价值。

  • VariableDimensions- 默认值是[0 0],这表明数组大小如规定固定SizeVector

    您可以将此值设置为[1 0]如果是SizeVector价值是[n p]或者[0 1]如果它是[p n],表示阵列具有可变大小的行和固定大小列。例如,[1 0]的第一个值SizeVectorn)是行数的上限,第二个值是SizeVectorp)是列的数量。

  • 数据类型- 这个值是单身的或者.默认数据类型取决于输入的数据类型X

  • 可调谐性—必须为真的, 意思是预测在生成的C/ c++代码中总是包含预测器数据作为输入。

您可以使用点表示法修改编码器属性。例如,要生成接受带有三个预测变量(列)的100个观察值的预测数据的C/ c++代码,指定这些编码器属性X对于编码器配置程序配置

configuration . x . sizevector = [100 3];configurer.X.DataType =“双”;configurer.x.variaBolidimensions = [0 0];
[0 0]表示的第一个和第二个维度X(分别观察次数和预测变量的数量)具有固定尺寸。

要允许生成的C / C ++代码接受最多100个观察的预测器数据,请指定这些编码器属性X

configuration . x . sizevector = [100 3];configurer.X.DataType =“双”;configur.x.variabledimensions = [1 0];
[1 0]表示第一维度X(观察次数)具有可变尺寸和第二维度X(预测器变量的数量)具有固定大小。在该示例中指定的观测数量,100成为生成的C / C ++代码中允许的最大观察数。要允许任何数量的观察,请指定绑定为

二进制学习损耗函数的编码器属性('二元乐'名称 - 值对参数预测),指定为一个EnumeratedInput目的。

属性的默认属性值EnumeratedInput对象基于默认值预测功能:

  • 价值-二进制学习器损失函数,指定为中的字符向量之一BuiltInOptions或指定自定义函数名称的字符矢量。如果二进制学习者是SVM学习者的SVM或线性分类模型,则默认值是'合页'.如果二进制学习者是Logistic回归学习者的线性分类模型,则默认值是'二次'

    要使用自定义选项,请在Matlab搜索路径上定义自定义函数,并指定价值作为自定义函数的名称。

  • 选择选项- 这个值是“内置”(默认)或'风俗'.该软件集选择选项根据价值.此属性是只读的。

  • BuiltInOptions-单元格数组“汉明”'线性''二次''指数'“binodeviance”'合页', 和分对数的.此属性是只读的。

  • iSononstant.—必须为真的

  • 可调谐性- 默认值是如果指定其他属性值可调谐性,软件集可调谐性真的

解码方案的编码器属性(“解码”名称 - 值对参数预测),指定为一个EnumeratedInput目的。

属性的默认属性值EnumeratedInput对象基于默认值预测功能:

  • 价值—解码方案值,指定为“lossweighted”(默认),'失败',或者LearnerCoderInput目的。

    如果你设置了iSononstant.,然后软件更改价值到一个LearnerCoderInput具有这些只读编码器属性值的对象:

    • SizeVector- - - - - -12 [1]

    • VariableDimensions- - - - - -[0 1]

    • 数据类型- - - - - -“字符”

    • 可调谐性- 1

    生成的代码中的输入是一个大小可变、可调的字符向量“lossweighted”或者'失败'

  • 选择选项- 这个值是“内置”(默认)或'不合作'.该软件集选择选项根据价值.此属性是只读的。

  • BuiltInOptions-单元格数组“lossweighted”'失败'.此属性是只读的。

  • iSononstant.- 默认值是真的.如果将此值设置为,软件更改价值到一个LearnerCoderInput目的。

  • 可调谐性- 默认值是如果指定其他属性值可调谐性,软件集可调谐性真的

预测数据观测维数的编码器属性(“ObservationsIn”名称 - 值对参数预测),指定为一个EnumeratedInput目的。

使用使用时创建编码器配置程序时learnerCoderConfigurer功能,函数“ObservationsIn”参数的名称-值对参数确定EnumeratedInput编码器属性:

  • 价值—默认值是您在创建编码器配置器时使用的预测器数据观察维度,指定为“行”或者“列”.如果您未指定“ObservationsIn”创建编码器配置程序时,默认值是“行”

    该值必须为“行”对于使用SVM二进制学习者的模型。

  • 选择选项- 这个值始终是“内置”.此属性是只读的。

  • BuiltInOptions-单元格数组“行”“列”.此属性是只读的。

  • iSononstant.—必须为真的

  • 可调谐性- - - - - -默认值为如果您指定'观察','行'创建编码器配置程序时,和真的如果您指定'观察','列'.如果你设置了可调谐性,软件集价值“行”.如果指定其他属性值可调谐性,软件集可调谐性真的

从生成的C / C ++代码返回的输出参数的数量预测ECOC分类模型的功能,指定为1,2或3。

输出论据预测在顺序:标签(预测类标签),NegLoss(否定平均二元损失),和PBSCore.(positive-class分数)。预测在生成的C / C ++代码中返回第一个代码n输出的预测功能,在哪里n是个NumOutputs价值。

创建编码器配置程序后配置,您可以使用点表示法指定输出的数量。

配置。NumOutputs= 2;

NumOutputs财产相当于“-nargout”编译器选项Codegen.(MATLAB编码器).此选项指定代码生成的入口函数中的输出参数的数量。对象功能generateCode生成两个入口点函数 -预测.M.更新..预测更新并为这两个入口点函数生成C/ c++代码。的指定值NumOutputs属性对应于入口点函数中的输出参数数量预测.M.

数据类型:

更新争论

属性的编码器属性更新生成的代码中的函数参数。的更新函数将培训的模型和新型号参数作为输入参数,并返回包含新参数的模型的更新版本。要启用更新生成的代码中的参数,则需要在生成代码之前指定参数的编码器属性。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.learnerCoderConfigurer

经过训练的二进制学习者的编码属性(BinaryLearnersECOC分类模型),指定为aClassificationSVMCoderConfigurer对象(用于支持向量机二进制学习器)或ClassificationLinearCoderConfigurer对象(用于线性二进制学习者)。

使用更新支持向量机或线性编码器配置器对象的参数,以指定所有二进制学习器的编码器属性。

的配置BinaryLearners,软件仅使用更新参数属性并忽略对象的其他属性。

当你用支持向量机二进制学习器训练ECOC模型时,每个学习器可以有不同数量的支持向量。金宝app因此,软件配置的属性值为默认值LearnerCoderInput对象α金宝appSupportVectorLabels., 和金宝app支持监视器根据输入参数,适应所有二进制学习者MDL.learnerCoderConfigurer

  • SizeVector

    • 这个值是[S 1]α金宝appSupportVectorLabels.,在那里年代是二进制学习器中支持向量的最大个数。金宝app

    • 这个值是[s p]金宝app支持监视器,在那里p是预测器的数量。

  • VariableDimensions- 这个值是[0 0]或者[1 0].如果每个学习者具有相同数量的支持向量,则默认值是金宝app[0 0].否则,该值必须为[1 0]

    • [0 0]中指定的数组大小是固定的SizeVector

    • [1 0]指示数组具有可变大小的行和固定大小的列。在本例中,第一个值SizeVector上限值是行数,第二个值是SizeVector是列数。

  • 数据类型- 这个值是“单一”或者“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(bet)没有支持向量和相关值,则该金宝app值必须为.否则,该值必须为真的

了解对方的详细情况更新参数,看更新参数ClassificationSVMCoderConfigurer更新参数ClassificationLinearCoderConfigurer

错误分类成本的编码者属性(成本ECOC分类模型),指定为aLearnerCoderInput目的。

属性的默认属性值LearnerCoderInput对象基于输入参数MDL.learnerCoderConfigurer

  • SizeVector—必须为(c c),在那里c为类数。

  • VariableDimensions—必须为[0 0],表示数组大小如规定固定SizeVector

  • 数据类型- 这个值是“单一”或者“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- 默认值是真的

先验概率的编码属性(事先的ECOC分类模型),指定为aLearnerCoderInput目的。

属性的默认属性值LearnerCoderInput对象基于输入参数MDL.learnerCoderConfigurer

  • SizeVector—必须为(1 c),在那里c为类数。

  • VariableDimensions—必须为[0 0],表示数组大小如规定固定SizeVector

  • 数据类型- 这个值是“单一”或者“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- 默认值是真的

其他配置选项

生成的C/ c++代码的文件名,指定为字符向量。

对象功能generateCodeclassificationcoccoderconfigurer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。

创建编码器配置程序后配置,您可以使用点表示法指定文件名。

configurer.outputfilename =.“myModel”

数据类型:字符

详细级别,指定为真的(逻辑1)或(逻辑0)。详细级别控制命令行中通知消息的显示。

价值 描述
真的(逻辑1) 当您对参数的编码器属性的更改导致其他相关参数的更改发生更改时,软件显示通知消息。
(逻辑0) 该软件不显示通知消息。

要在生成的代码中启用更新计算机学习模型参数,您需要在生成代码之前配置参数的编码器属性。参数的编码器属性彼此依赖,因此软件将依赖项存储为配置约束。如果通过使用编码器配置器修改参数的编码器属性,并且修改需要随后改变其​​他从属参数来满足配置约束,则软件改变了从属参数的编码器属性。冗长级别确定软件是否显示出用于这些后续更改的通知消息。

创建编码器配置程序后配置,您可以使用点表示法修改详细级别。

configur.verbose = false;

数据类型:逻辑

代码生成自定义的选项

要自定义代码生成工作流程,请使用generateFiles函数和下面三个属性Codegen.(MATLAB编码器),而不是使用generateCode函数。

在生成两个入口点函数文件(预测.M.更新..)通过使用generateFiles函数,您可以根据代码生成工作流修改这些文件。例如,可以修改预测.M.文件以包含数据预处理,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。然后,您可以通过使用Codegen.(MATLAB编码器)功能和Codegen.适用于修改的入境点函数或代码生成项目的参数。使用本节中描述的三个属性作为设置的起点Codegen.参数。

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功能如果您不需要自定义工作流程。

而不是使用generateCode使用编码器配置程序配置,您可以生成C / C ++代码,如下所示:

generateFiles(配置器)cgArgs = configuration . codegenerationarguments;codegen (cgArgs {}):
如果您自定义代码生成工作流程,请修改CGARGS.因此在呼叫之前Codegen.

如果修改其他属性配置,软件更新CodeGenerationArguments.相应的属性。

数据类型:细胞

此属性是只读的。

入口点函数的可调输入参数列表预测.M.对于代码生成,指定为单元数组。单元阵列包含另一个包括的单元阵列编码器。PrimitiveType(MATLAB编码器)对象和编码器。常数(MATLAB编码器)对象。

的编码器属性预测参数然后,软件相应地更新相应的对象。如果您指定了可调谐性属性,则该软件从PredictInputs列表。

单元格数组PredictInputs相当于configurer.codegenerationArguments {6}对于编码器配置程序配置

数据类型:细胞

此属性是只读的。

入口点函数的可调输入参数列表更新..对于代码生成,指定为结构的单元格数组。结构包括一个Coder.celltype.(MATLAB编码器)对象BinaryLearners编码器。PrimitiveType(MATLAB编码器)对象成本事先的

的编码器属性更新参数然后,软件相应地更新相应的对象。如果您指定了可调谐性属性,则该软件从UpdateInputs列表。

结构在UpdateInputs相当于configurer.codegenerationArguments {3}对于编码器配置程序配置

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 产生MATLAB使用编码器配置器生成代码的文件
验证updateInpuls. 验证和提取机器学习模型参数更新

例子

全部折叠

训练一个机器学习模型,然后生成代码预测更新通过使用编码器配置器来实现模型的功能。

负载Fisher的Iris数据集并使用SVM二进制学习者培训多种多组ECOC模型。

负载fisheririsX =量;Y =物种;Mdl = fitcecoc (X, Y);

MDL.是A.ClassificationECOC目的。

为此创建一个编码器配置程序ClassificationECOC模型通过使用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 = LERERNERCODERCONFIGURER(MDL,X)
配置= ClassificationECOCCoderConfigurer属性:更新输入:BinaryLearners:之前[1 x1 ClassificationSVMCoderConfigurer]: [1 x1 LearnerCoderInput]成本:[1 x1 LearnerCoderInput]预测输入:X: [1 x1 LearnerCoderInput]代码生成参数:NumOutputs: 1 OutputFileName:“ClassificationECOCModel”属性,方法

配置是A.classificationcoccoderconfigurer对象是一个编码器配置程序ClassificationECOC目的。

要生成C / C ++代码,您必须访问正确配置的C / C ++编译器。MATLAB编码器定位并使用支持的安装编译器。金宝app您可以使用梅克斯设置查看和更改默认编译器。有关更多详细信息,请参阅更改默认编译器

预测更新ECOC分类模型的功能(MDL.)的默认设置。

Generatecode(Configurer)
GenerateCode在输出文件夹中创建这些文件:'Initialize.m','predict.m','update.m'u','classificationcocmodel.mat'代码生成成功。

generateCode函数完成这些动作:

  • 生成MATLAB文件所需的生成代码,包括两个入口点函数预测.M.更新..预测更新函数MDL.,分别。

  • 创建名为MEX函数ClassificationECOCModel对于两个入口点函数。

  • 控件中创建MEX函数的代码codegen \墨西哥人\ ClassificationECOCModel文件夹。

  • 将MEX函数复制到当前文件夹。

显示的内容预测.M.更新.., 和初始化..文件,使用类型函数。

类型预测.M.
function varargout = predict(X,varargin) %#codegen % Autogenerated by MATLAB, 23- 2 -2021 19:17:56 [varargout{1:nargout}] = initialize('predict',X,varargin{:});结束
类型更新..
function update(varargin) %#codegen % Autogenerated by MATLAB, 23- 2 -2021 19:17:56 initialize('update',varargin{:});结束
类型初始化..
函数[varargout] = initialize(命令,varargin)%#codegen%by matlab,23-feb-2021 19:17:56 Coder.inline('始终')持久模型如果是isempty(模型)模型= loadlearnerforcoder('classificeecocmodel。垫');终端交换机(命令)案例'更新'%更新结构字段:BinaryLearners%先前的%成本模型=更新(型号,varargin {:});案例'预测'%预测输入:x x = varargin {1};如果nargin == 2 [varargout {1:nargout}] = predict(model,x);否则pvPairs = cell(1,nargin-2);对于i = 1:nargin-2 pvPair {1,i} = varargin {i + 1};结束[varargout {1:nargout}] = predict(model,x,pvpaess {:});结束结束

使用SVM二进制学习者列出错误校正输出代码(ECOC)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来指定Ecoc模型参数的编码器属性。使用编码器配置器的对象函数来生成C代码,该C代码预测新的预测器数据的标签。然后使用不同的设置重新培训模型,并在未生成代码中更新参数而无需重新生成代码。

火车模型

载入费雪的虹膜数据集。

负载fisheririsX =量;Y =物种;

创建一个支持向量机二元学习模板,使用高斯核函数和标准化预测数据。

t = templateSVM ('骨箱''高斯'“标准化”,真的);

使用模板训练一个多类ECOC模型t

mdl = fitcecoc(x,y,“学习者”t);

MDL.是A.ClassificationECOC目的。

创建编码器配置程序

为此创建一个编码器配置程序ClassificationECOC模型通过使用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函数,它是预测的标号和负的平均二进制损耗。

configurer = LearnerCoderConfigurer(MDL,X,'numoutputs', 2)
配置= ClassificationECOCCoderConfigurer属性:更新输入:BinaryLearners:之前[1 x1 ClassificationSVMCoderConfigurer]: [1 x1 LearnerCoderInput]成本:[1 x1 LearnerCoderInput]预测输入:X: [1 x1 LearnerCoderInput]代码生成参数:NumOutputs: 2 OutputFileName:“ClassificationECOCModel”属性,方法

配置是A.classificationcoccoderconfigurer对象是一个编码器配置程序ClassificationECOC目的。显示屏显示可调谐输入参数预测更新XBinaryLearners事先的, 和成本

指定参数的编码器属性

指定编码器属性预测参数(预测器数据和名称-值对参数)“解码”'二元乐'),更新参数(SVM学习者的支金宝app持向量)以便您可以将这些参数用作输入参数预测更新在生成的代码中。

首先,指定的编码器属性X因此,生成的代码接受任何数量的观察。修改SizeVectorVariableDimensions属性。的SizeVector属性指定预测器数据大小的上限,以及VariableDimensions属性指定预测器数据的每个维度是具有可变大小还是固定大小。

configurer.x.sizevector = [INF 4];configurer.x.variabledimensions = [true false];

第一个维度的大小是观测的次数。在本例中,代码指定大小的上限为大小是可变的,这意味着X可以有任何数量的观察结果。如果您不知道生成代码时的观察次数,则此规范很方便。

第二个维度的大小是预测变量的数量。对于机器学习模型,这个值必须是固定的。X包含4个预测器,因此SizeVector属性的第二个值必须为4VariableDimensions属性必须是

接下来,修改编码器属性BinaryLoss解码使用'二元乐'“解码”名称 - 值对生成的代码中的参数。的编码属性BinaryLoss

配置。BinaryLoss
ans = EnumeratedInput与属性:值:'hinge' SelectedOption: ' built ' BuiltInOptions: {1x7 cell} IsConstant: 1可调性:0

若要在生成的代码中使用非默认值,必须在生成代码之前指定该值。指定价值属性BinaryLoss作为'指数'

configur.binaryloss.value =.'指数';配置。BinaryLoss
ans = EnumeratedInput与属性:值:'指数' SelectedOption: '内置' BuiltInOptions: {1x7 cell} IsConstant: 1可调性:1

如果您在何时修改属性值可调谐性(逻辑0),软件设置可调谐性真的(逻辑1)。

的编码属性解码

configurer.decoding.
ans = EnumeratedInput与属性:值:' lossweights ' SelectedOption: ' built ' BuiltInOptions: {' lossweights ' ' losssbased '} IsConstant: 1可调性:0

指定iSononstant.属性解码作为以便使用。中的所有可用值BuiltInOptions在生成的代码中。

configur.decoding.isconstant = false;configurer.decoding.
ans = EnumeratedInput的属性:值:[1x1 LearnerCoderInput] SelectedOption: 'NonConstant' BuiltInOptions: {' lossweightight ' ' losssbased '} IsConstant: 0可调性:1

软件改变了价值属性解码到一个LearnerCoderInput对象,以便两者都可以使用“lossweighted”'失去了'作为价值“解码”.此外,软件设置了选择选项'不合作'可调谐性真的

最后,修改编码器属性金宝app支持监视器BinaryLearners.的编码属性金宝app支持监视器

configurer.BinaryLearners.金宝appSupportVectors
ANS = LearnerCoderInput具有属性:Sizevector:[54 4] variabledimensions:[1 0]数据类型:'Double'可调性:1

的默认值VariableDimensions(真假)因为每个学习者都有不同数量的支持向量。金宝app如果使用新数据或不同的设置重新恢复ECOC型号,则SVM学习者中的支持向量的数量可能会有所不同。金宝app因此,增加支撑载体数量的上限。金宝app

configur.binarylearners.su金宝apppportVectors.sizevector = [150 4];
Alpha的SizeVector属性已被修改以满足配置约束。修改了SupportVectorLabels的Si金宝appzeVector属性以满足配置约束。

的编码器属性金宝app支持监视器,然后软件修改的编码器属性α金宝appSupportVectorLabels.以满足配置约束。如果修改一个参数的编码器属性需要随后更改其他相关参数以满足配置约束,则软件更改相关参数的编码器属性。

显示编码器配置器。

配置
配置= ClassificationECOCCoderConfigurer属性:更新输入:BinaryLearners:之前[1 x1 ClassificationSVMCoderConfigurer]: [1 x1 LearnerCoderInput]成本:[1 x1 LearnerCoderInput]预测输入:X: [1 x1 LearnerCoderInput] BinaryLoss: [1 x1 EnumeratedInput]解码:[1 x1 EnumeratedInput]代码生成参数:NumOutputs:2 OutputFileName: 'ClassificationECOCModel'属性,方法

现在显示包括BinaryLoss解码也是。

生成代码

要生成C / C ++代码,您必须访问正确配置的C / C ++编译器。MATLAB编码器定位并使用支持的安装编译器。金宝app您可以使用梅克斯设置查看和更改默认编译器。有关更多详细信息,请参阅更改默认编译器

预测更新ECOC分类模型的功能(MDL.).

Generatecode(Configurer)
GenerateCode在输出文件夹中创建这些文件:'Initialize.m','predict.m','update.m'u','classificationcocmodel.mat'代码生成成功。

generateCode函数完成这些动作:

  • 生成MATLAB文件所需的生成代码,包括两个入口点函数预测.M.更新..预测更新函数MDL.,分别。

  • 创建名为MEX函数ClassificationECOCModel对于两个入口点函数。

  • 控件中创建MEX函数的代码codegen \墨西哥人\ ClassificationECOCModel文件夹。

  • 将MEX函数复制到当前文件夹。

验证生成的代码

通过一些预测数据来验证是否预测的函数MDL.预测函数中返回相同的标签。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。因为你指定的“解码”作为调谐输入参数来改变iSononstant.属性在生成代码之前,您还需要在对MEX函数的调用中指定它,即使如此“lossweighted”默认值是“解码”

[标签,NegLoss] =预测(Mdl X,'二元乐''指数');[label_mex, NegLoss_mex] = ClassificationECOCModel ('预测', X,'二元乐''指数'“解码”“lossweighted”);

相比标签label_mex.通过使用isequal

label_mex isequal(标签)
ans =逻辑1

isequal返回逻辑1 (真的),如果所有输入相等。比较证实了预测的函数MDL.预测函数中返回相同的标签。

NegLoss_mex可能包括与之相比的圆截止差异NegLoss.在这种情况下,比较NegLoss_mexNegLoss,允许小容差。

找到(abs (NegLoss-NegLoss_mex) > 1 e-8)
ans = 0x1空双列向量

对比证实了NegLossNegLoss_mex在宽容范围内相同1 e-8

在生成的代码中重新训练模型和更新参数

使用不同的设置重新训练模型。指定“KernelScale”作为“汽车”这样,软件使用启发式程序选择适当的比例因子。

t_new = templatesvm('骨箱''高斯'“标准化”,真的,“KernelScale”“汽车”);retrainedMdl = fitcecoc (X, Y,“学习者”, t_new);

使用提取要更新的参数验证updateInpuls..该函数检测修改后的模型参数returatedmdl.并验证修改后的参数值是否满足参数的编码器属性。

params = validatedupdateInputs(Configurer,HetrowingMDL);

更新生成的代码中的参数。

classificeecocmodel(“更新”,params)

验证生成的代码

比较来自的输出预测的函数returatedmdl.的输出预测在更新的MEX函数中的功能。

[标签,NegLoss] =预测(retrainedMdl X,'二元乐''指数'“解码”'失败');[label_mex, NegLoss_mex] = ClassificationECOCModel ('预测', X,'二元乐''指数'“解码”'失败');label_mex isequal(标签)
ans =逻辑1
找到(abs (NegLoss-NegLoss_mex) > 1 e-8)
ans = 0x1空双列向量

对比证实了标签label_mex.是平等的NegLossNegLoss_mex在宽容范围内相同。

更多关于

展开全部

介绍了R2019a