火车模型

加载电离层数据集。该数据集有34个预测器和351个雷达返回的二进制响应，或坏(“b”)或好(‘g’）.使用前50个观测值训练二值支持向量机分类模型。

负载电离层Mdl = fitcsvm (X (1:50:), Y (1:50));

MDL.是一个ClassificationSVM对象。

创建编码器配置

控件创建一个编码器配置器ClassificationSVM模型通过使用learnerCoderConfigurer．指定预测器数据X．的learnerCoderConfigurer函数使用输入X配置编码器属性预测函数的输入。另外，将输出的数量设置为2，以便生成的代码返回预测的标签和分数。

configurer =学习者（MDL，x（1:50，:)，“NumOutputs”，2）;

配置是一个classificationsvmcoderconfigurer对象的编码配置器ClassificationSVM对象。

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，以便在重新训练模型后更新生成代码中的参数。此示例指定要传递给生成代码的预测器数据的编码器属性，以及支持向量机模型的支持向量的编码器属性。金宝app

首先，指定的编码器属性X因此，生成的代码接受任何数量的观察。修改SizeVector和VariableDimensions属性。的SizeVector属性指定预测器数据大小的上限，而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。

configuration . x . sizevector = [Inf 34];configurer.x.variabledimensions = [true false];

第一个维度的大小是观测的次数。在这种情况下，代码指定大小的上限是正大小是可变的，也就是说X可以有任意数量的观察结果。如果您在生成代码时不知道观察的数量，那么这个规范很方便。

第二维度的大小是预测变量的数量。必须为机器学习模型固定此值。X包含34个预测器，因此SizeVector属性的值必须为34VariableDimensions属性必须假．

如果使用新数据或不同的设置重新恢复SVM模型，则支持向量的数量可能会有所不同。金宝app因此，指定编码器属性金宝appSupportVectors这样您就可以更新生成代码中的支持向量。金宝app

configurati金宝appon . supportvectors . sizevector = [250 34];

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。

configurer.金宝appSupportVectors.VariableDimensions = [true false];

Alpha的VariaBlowImensions属性已被修改为满足配置约束。SupportVectorLabels的VariaBlyImens金宝appions属性已被修改为满足配置约束。

的编码器属性金宝appSupportVectors，然后软件修改的编码器属性α和金宝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。

生成代码

要生成C/ c++代码，您必须访问配置正确的C/ c++编译器。MATLAB编码器定位并使用一个受支持的、安装的编译器。金宝app你可以使用墨西哥人- setup.查看和更改默认编译器。有关更多详细信息，请参阅改变默认的编译器．

使用generateCode生成的代码预测和更新SVM分类模型的函数(MDL.)的默认设置。

generateCode(配置)

generateCode在输出文件夹中创建这些文件:米”、“预测。米”、“更新。米”、“ClassificationSVMModel。代码生成成功。

generateCode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为预测和更新的功能MDL.,分别。然后generateCode创建一个名为ClassificationSVMModel的两个入口点函数codegen \墨西哥人\ ClassificationSVMModel文件夹并将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是预测功能MDL.和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。

[标签，得分] =预测（MDL，x）;[label_mex，score_mex] = classificationsvmmodel（“预测”, X);

比较标签和label_mex通过使用isequal．

label_mex isequal(标签)

ans =.逻辑1

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

score_mex可能包括舍入差异与分数．在这种情况下，比较score_mex和分数，允许有一个小的公差。

找到(abs (score-score_mex) > 1 e-8)

Ans = 0x1空双列向量

对比证实了分数和score_mex在公差内是相等的吗1 e-8．

在生成的代码中重新训练模型和更新参数

使用整个数据集重新训练模型。

retrainedMdl = fitcsvm (X, Y);

使用提取要更新的参数validatedUpdateInputs．该函数检测修改后的模型参数returatedmdl.并验证修改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。

ClassificationSVMModel (“更新”params)

验证生成的代码

的输出比较预测功能returatedmdl.和预测在更新的MEX函数中的功能。

[标签，得分] =预测（再次检索，x）;[label_mex，score_mex] = classificationsvmmodel（“预测”, X);label_mex isequal(标签)

ans =.逻辑1

找到(abs (score-score_mex) > 1 e-8)

Ans = 0x1空双列向量

对比证实了标签和labels_mex是相等的，并且在容忍范围内得分值是相等的。

火车模型

载入费雪的虹膜数据集。

负载渔民X =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 (“KernelFunction”，“高斯”，“标准化”,真正的);

使用模板训练一个多类ECOC模型t．

Mdl = fitcecoc (X, Y,“学习者”，t）;

MDL.是一个Classifiedecoc.对象。

创建编码器配置

控件创建一个编码器配置器Classifiedecoc.模型通过使用learnerCoderConfigurer．指定预测器数据X．的learnerCoderConfigurer函数使用输入X配置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。

配置= 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

配置是一个ClassificationECOCCoderConfigurer对象的编码配置器Classifiedecoc.对象。的可调参数预测和更新：X，二进制书，之前,成本．

指定参数的编码器属性

的编码器属性预测参数(预测器数据和名称-值对参数)“解码”和“BinaryLoss”),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和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SizeVector和VariableDimensions属性。的SizeVector属性指定预测器数据大小的上限，而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。

[Inf 4];configurer.x.variabledimensions = [true false];

第一个维度的大小是观测的次数。在这种情况下，代码指定大小的上限是正大小是可变的，也就是说X可以有任意数量的观察结果。如果您在生成代码时不知道观察的数量，那么这个规范很方便。

第二维度的大小是预测变量的数量。必须为机器学习模型固定此值。X包含4个预测器，因此SizeVector属性的第二个值必须为4VariableDimensions属性必须假．

接下来，修改编码器属性BinaryLoss和解码使用“BinaryLoss”和“解码”生成的代码中的名称-值对参数。显示编码器属性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。指定价值的属性BinaryLoss作为“指数”．

configurer.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

当修改属性值时可调谐性是假(逻辑0)，软件设置可调谐性来真正的(逻辑1)。

显示编码器属性解码．

配置。解码

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

指定IsConstant的属性解码作为假以便使用。中的所有可用值内置选项在生成的代码中。

configurer.Decoding.IsConstant = false;配置。解码

ans = EnumeratedInput的属性:值:[1x1 LearnerCoderInput] SelectedOption: 'NonConstant' BuiltInOptions: {' lossweightight ' ' losssbased '} IsConstant: 0可调性:1

软件改变了价值的属性解码到一个LearnerCoderInput对象，以便两者都可以使用“失去重量”和“lossbased的价值“解码”．此外，软件设置SelectedOption来'不合作'和可调谐性来真正的．

最后，修改的编码器属性金宝appSupportVectorsin.二进制书．显示编码器属性金宝appSupportVectors．

configurer.BinaryLearners.金宝appSupportVectors

ans = LearnerCoderInput带有属性:SizeVector: [54 4] VariableDimensions: [1 0] DataType: 'double'可调性:1

的默认值VariableDimensions是(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

configurer.BinaryLearners.金宝appSupportVectors.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appSupportVectors，然后软件修改的编码器属性α和金宝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和解码也

生成代码

要生成C/ c++代码，您必须访问配置正确的C/ c++编译器。MATLAB编码器定位并使用一个受支持的、安装的编译器。金宝app你可以使用墨西哥人- setup.查看和更改默认编译器。有关更多详细信息，请参阅改变默认的编译器．

为预测和更新ECOC分类模式的功能(MDL.）.

generateCode(配置)

generateCode在输出文件夹中创建这些文件:米”、“预测。米”、“更新。米”、“ClassificationECOCModel。代码生成成功。

的generateCode函数完成这些动作:

验证生成的代码

通过一些预测数据来验证是否是预测功能MDL.和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IsConstant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“失去重量”默认值是“解码”．

[标签,NegLoss] =预测(Mdl X,“BinaryLoss”，“指数”）;[label_mex, NegLoss_mex] = ClassificationECOCModel (“预测”, X,“BinaryLoss”，“指数”，“解码”，“失去重量”）;

比较标签来label_mex通过使用isequal．

label_mex isequal(标签)

ans =.逻辑1

isequal返回逻辑1 (真正的)，如果所有输入相等。比较证实了预测功能MDL.和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negl．在这种情况下，比较NegLoss_mex来negl，允许有一个小的公差。

找到(abs (NegLoss-NegLoss_mex) > 1 e-8)

Ans = 0x1空双列向量

对比证实了negl和NegLoss_mex在公差内是相等的吗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”因此，该软件采用启发式的方法选择合适的比例因子。

t_new = templateSVM (“KernelFunction”，“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validatedUpdateInputs．该函数检测修改后的模型参数returatedmdl.并验证修改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

的输出比较预测功能returatedmdl.的输出预测在更新的MEX函数中的功能。

[标签,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”）;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

对比证实了标签和label_mex是相等的,negl和NegLoss_mex在公差范围内是相等的。

火车模型

加载carsmall数据集和训练支持向量机回归模型使用前50个观察。

负载carsmallX =(功率、重量);Y = MPG;Mdl = fitrsvm (X (1:50:), Y (1:50));

MDL.是一个RegressionSVM对象。

创建编码器配置

控件创建一个编码器配置器RegressionSVM模型通过使用learnerCoderConfigurer．指定预测器数据X．的learnerCoderConfigurer函数使用输入X配置编码器属性预测函数的输入。

配置= learnerCoderConfigurer (Mdl X (1:50,:));

配置是一个回归vmcoderconfigurer对象的编码配置器RegressionSVM对象。

指定参数的编码器属性

指定支持向量机回归模型参数的编码器属性，以便您可以在重新训练模型后更新生成代码中的参数。此示例指定要传递给生成代码的预测器数据的编码器属性，以及支持向量机回归模型的支持向量的编码器属性。金宝app

首先，指定的编码器属性X因此，生成的代码接受任何数量的观察。修改SizeVector和VariableDimensions属性。的SizeVector属性指定预测器数据大小的上限，而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 2];configurer.x.variabledimensions = [true false];

第一个维度的大小是观测的次数。在这种情况下，代码指定大小的上限是正大小是可变的，也就是说X可以有任意数量的观察结果。如果您在生成代码时不知道观察的数量，那么这个规范很方便。

第二维度的大小是预测变量的数量。必须为机器学习模型固定此值。X包含两个预测器，因此SizeVector属性的值必须为2VariableDimensions属性必须假．

如果使用新数据或不同的设置重新恢复SVM模型，则支持向量的数量可能会有所不同。金宝app因此，指定编码器属性金宝appSupportVectors这样您就可以更新生成代码中的支持向量。金宝app

configurati金宝appon . supportvectors . sizevector = [250 2];

Alpha的SizeVector属性已被修改以满足配置约束。

configurer.金宝appSupportVectors.VariableDimensions = [true false];

Alpha的VariaBlowImensions属性已被修改为满足配置约束。

的编码器属性金宝appSupportVectors，然后软件修改的编码器属性α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。

生成代码

要生成C/ c++代码，您必须访问配置正确的C/ c++编译器。MATLAB编码器定位并使用一个受支持的、安装的编译器。金宝app你可以使用墨西哥人- setup.查看和更改默认编译器。有关更多详细信息，请参阅改变默认的编译器．

使用generateCode生成的代码预测和更新支持向量机回归模型(MDL.)的默认设置。

generateCode(配置)

generateCode在输出文件夹中创建这些文件:米”、“预测。米”、“更新。米”、“RegressionSVMModel。代码生成成功。

generateCode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为预测和更新的功能MDL.,分别。然后generateCode创建一个名为RegressionSVMModel的两个入口点函数codegen \ mex \ regressionsvmmodel文件夹并将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是预测功能MDL.和预测函数返回相同的预测响应。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。

yfit =预测(Mdl X);YFIT_MEX = REGERRIONSVMMODEL（“预测”, X);

yfit_mex.可能包括舍入差异与yfit．在这种情况下，比较yfit和yfit_mex.，允许有一个小的公差。

找到(abs (yfit-yfit_mex) > 1 e-6)

Ans = 0x1空双列向量

对比证实了yfit和yfit_mex.在公差内是相等的吗1 e-6．

在生成的代码中重新训练模型和更新参数

使用整个数据集重新训练模型。

retrainedMdl = fitrsvm (X, Y);

使用提取要更新的参数validatedUpdateInputs．该函数检测修改后的模型参数returatedmdl.并验证修改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。

RegressionSVMModel (“更新”params)

验证生成的代码

的输出比较预测功能returatedmdl.和预测在更新的MEX函数中的功能。

YFIT =预测（再次检索了，x）;YFIT_MEX = REGERRIONSVMMODEL（“预测”, X);找到(abs (yfit-yfit_mex) > 1 e-6)

Ans = 0x1空双列向量

对比证实了yfit和yfit_mex.在公差内是相等的吗1 e-6．

火车模型

加载carbig数据集，并训练回归树模型使用一半的观察。

负载carbigx = [位移马力重量];Y = MPG;RNG（“默认”）%的再现性n =长度（y）;Idxtrain = RandSample（n，n / 2）;xtrain = x（idxtrain，:);YTrain = Y（IDxtrain）;MDL = FITRTREE（XTRAIN，YTRAIN）;

MDL.是一个RegressionTree对象。

创建编码器配置

控件创建一个编码器配置器RegressionTree模型通过使用learnerCoderConfigurer．指定预测器数据XTrain．的learnerCoderConfigurer函数使用输入XTrain配置编码器属性预测函数的输入。另外，将输出的数量设置为2，以便生成的代码返回预测的响应和预测的节点号。

配置= learnerCoderConfigurer (Mdl XTrain,“NumOutputs”，2）;

配置是一个回归的TreecoderConfigurer.对象的编码配置器RegressionTree对象。

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，以便您可以在重新训练模型后更新生成代码中的参数。

属性的编码器属性X财产配置因此，生成的代码接受任何数量的观察。修改SizeVector和VariableDimensions属性。的SizeVector属性指定预测器数据大小的上限，而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。

[Inf 3];configurer.X.VariableDimensions

ans =.1 x2逻辑阵列1 0

第一个维度的大小是观测的次数。的值SizeVector归因于正导致软件修改VariableDimensions归因于1．换句话说，大小的上限是正它的大小是可变的，这意味着预测数据可以有任意数量的观测数据。如果您在生成代码时不知道观察的数量，那么这个规范很方便。

第二维度的大小是预测变量的数量。必须为机器学习模型固定此值。因为预测器数据包含3个预测器，所以SizeVector属性必须3.和值的价值VariableDimensions属性必须0．

如果使用新的数据或不同的设置重新训练树模型，树中的节点数量可能会有所不同。因此，指定的第一个维度SizeVector属性，以便更新生成的代码中的节点数量:孩子们，割点，CutPredictorIndex,或NodeMean．然后软件会自动修改其他属性。

的第一个值SizeVector的属性NodeMean财产正．软件修改SizeVector和VariableDimensions属性的孩子们，割点,CutPredictorIndex以匹配树中节点数目的新上限。的第一个值VariableDimensions的属性NodeMean更改1．

[Inf 1];

修改了Children的sizeevector属性以满足配置约束。CutPoint的SizeVector属性已被修改以满足配置约束。CutPredictorIndex的SizeVector属性已被修改以满足配置约束。已修改Children的VariableDimensions属性以满足配置约束。已修改CutPoint的VariableDimensions属性以满足配置约束。已修改CutPredictorIndex的VariableDimensions属性以满足配置约束。

configurer.NodeMean.VariableDimensions

ans =.1 x2逻辑阵列1 0

生成代码

要生成C/ c++代码，您必须访问配置正确的C/ c++编译器。MATLAB编码器定位并使用一个受支持的、安装的编译器。金宝app你可以使用墨西哥人- setup.查看和更改默认编译器。有关更多详细信息，请参阅改变默认的编译器．

为预测和更新回归树模型的功能(MDL.）.

generateCode(配置)

generateCode在输出文件夹中创建这些文件:米”、“预测。米”、“更新。米”、“RegressionTreeModel。代码生成成功。

的generateCode函数完成这些动作:

验证生成的代码

通过一些预测数据来验证是否是预测功能MDL.和预测函数返回相同的预测响应。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。

[Yfit、节点]=预测(Mdl XTrain);[Yfit_mex, node_mex] = RegressionTreeModel (“预测”，XTrain）;

比较YFIT.来yfit_mex.和节点来node_mex．

马克斯(abs (Yfit-Yfit_mex), [],'全部'）

ans = 0

node_mex isequal(节点)

ans =.逻辑1

一般来说，yfit_mex.可能包括与之相比的圆截止差异YFIT.．在本例中，比较证实了这一点YFIT.和yfit_mex.是相等的。

isequal返回逻辑1 (真正的)，如果所有输入参数相等。比较证实了预测功能MDL.和预测MEX函数中的函数返回相同的节点编号。

在生成的代码中重新训练模型和更新参数

使用整个数据集重新训练模型。

retrainedMdl = fitrtree (X, Y);

使用提取要更新的参数validatedUpdateInputs．该函数检测修改后的模型参数returatedmdl.并验证修改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。

RegressionTreeModel (“更新”params)

验证生成的代码

的输出参数比较预测功能returatedmdl.和预测在更新的MEX函数中的功能。

[Yfit、节点]=预测(retrainedMdl X);[Yfit_mex, node_mex] = RegressionTreeModel (“预测”, X);马克斯(abs (Yfit-Yfit_mex), [],'全部'）

ans = 0

node_mex isequal(节点)

ans =.逻辑1

比较证实了预测的响应和节点数字是相等的。