主要内容

RegressionSVMCoderConfigurer

用于支持向量机（SVM）回归模型的编码器配金宝app置器

展开页面中的所有内容

描述

一种RegressionSVMCoderConfigurer对象是一个支持向量机回归模型(RegressionSVM或compactregressionsvm.)．

编码器配置器提供方便的功能来配置代码生成选项，在生成的代码中生成C / C ++代码和更新模型参数。

  • 使用对象属性配置代码生成选项，并为SVM模型参数指定编码器属性。

  • 为此生成C / C ++代码预测和更新函数的支持向量机回归模型generateCode．生成C / C ++代码需要马铃薯®编码器™．

  • 更新生成的C/ c++代码中的模型参数，而不必重新生成代码。当您使用新数据或设置重新训练SVM模型时，该特性减少了重新生成、重新部署和重新验证C/ c++代码所需的工作。在更新模型参数之前，请使用validatedUpdateInputs验证并提取要更新的模型参数。

此流程图显示了使用编码器配置器的代码生成工作流。

关于代码生成使用注意事项和SVM回归模型的限制，请参阅compactregressionsvm.那预测,更新．

创建

训练后的SVM回归模型使用fitrsvm，通过使用为模型创建一个编码配置器learnerCoderConfigurer．的编码器属性预测和更新参数。然后,用generateCode基于指定的编码器属性生成C / C ++代码。

特性

展开全部

预测争论

本节中列出的属性指定了编码器属性预测生成代码中的函数参数。

编码器属性的预测器数据传递到生成的C/ c++代码中预测函数的SVM回归模型，指定为LearnercoderInpul.目的。

控件创建编码器配置时learnerCoderConfigurer函数，输入参数X属性的默认值LearnercoderInpul.编码器属性:

  • 秘诀—默认值为输入的数组大小X．

  • 杂色金属依赖项- 这个值是[0 0]（默认）或[1 0]．

    • [0 0]中指定的数组大小固定秘诀．

    • [1 0]表示阵列具有可变大小的行和固定大小列。在这种情况下，第一个值秘诀是行数的上限，以及第二个值秘诀是列数。

  • 数据类型- 这个值是单或双倍的．默认数据类型取决于输入的数据类型X．

  • 可调性- 这个值必须是真正的,这意味着预测在生成的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C / C ++代码，该代码接受具有三个预测变量的100个观察的预测器数据，请指定这些编码器属性X对于编码器配置程序配置：

configurer.x.sizevector = [100 3];configur.x.datatype =.“双”;configuration . x . variabledimensions = [0 0];
[0 0]表示的第一个和第二个维度X(分别是观察的数量和预测变量的数量)有固定的规模。

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

configurer.x.sizevector = [100 3];configur.x.datatype =.“双”;configuration . x . variabledimensions = [1 0];
[1 0]表示第一维度X(观察数)有一个可变的大小和第二个维度X(预测变量的数量)有固定的大小。指定的观察数(在本例中为100)成为生成的C/ c++代码中允许的最大观察数。为了允许任意数量的观察，将边界指定为正．

控件生成的C/ c++代码中要返回的输出参数的个数预测函数，指定为1。预测回报YFIT.(预测响应)生成的C/ c++代码。

这numoutput.属性等价于“-nargout”编译器选项的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.和update.m为预测和更新SVM回归模型的函数 - 分别为两个入口点函数生成C / C ++代码。指定的价值numoutput.属性对应于入口点函数中的输出参数数预测.M.．

数据类型：单|双倍的

更新争论

本节中列出的属性指定了编码器属性更新生成代码中的函数参数。这更新函数接受经过训练的模型和新的模型参数作为输入参数，并返回包含新参数的模型的更新版本。要在生成的代码中更新参数，您需要在生成代码之前指定参数的编码器属性。使用一个LearnercoderInpul.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的learnerCoderConfigurer．

对偶问题系数的编码器属性(Α的一个SVM回归模型)，指定为LearnercoderInpul.目的。

默认属性值LearnercoderInpul.对象基于输入参数Mdl的learnerCoderConfigurer：

  • 秘诀- 默认值是[S，1]， 在哪里S.是支持向量的数量金宝appMdl．

  • 杂色金属依赖项- 这个值是[0 0]（默认）或[1 0]．

    • [0 0]中指定的数组大小固定秘诀．

    • [1 0]表示阵列具有可变大小的行和固定大小列。在这种情况下，第一个值秘诀是行数的上限，以及第二个值秘诀是列数。

  • 数据类型- 这个值是'单身的'或“双”．默认数据类型与您用于训练的培训数据的数据类型一致Mdl．

  • 可调性-如果你用线性核函数训练一个模型，并使用金宝app丢弃普罗斯韦普金宝app罗斯韦，该值必须为假．否则，该值必须为真正的．

原始线性问题系数的编码器属性(β的一个SVM回归模型)，指定为LearnercoderInpul.目的。

默认属性值LearnercoderInpul.对象基于输入参数Mdl的learnerCoderConfigurer：

  • 秘诀- 这个值必须是(1页)， 在哪里P.预测因子的数量在吗Mdl．

  • 杂色金属依赖项- 这个值必须是[0 0]，表示数组大小固定秘诀．

  • 数据类型- 这个值是'单身的'或“双”．默认数据类型与您用于训练的培训数据的数据类型一致Mdl．

  • 可调性-如果你用线性核函数训练一个模型，并使用金宝app丢弃普罗斯韦普金宝app罗斯韦，该值必须为真正的．否则，该值必须为假．

偏差项的编码器属性（偏见的一个SVM回归模型)，指定为LearnercoderInpul.目的。

默认属性值LearnercoderInpul.对象基于输入参数Mdl的learnerCoderConfigurer：

  • 秘诀- 这个值必须是[1]．

  • 杂色金属依赖项- 这个值必须是[0 0]，表示数组大小固定秘诀．

  • 数据类型- 这个值是'单身的'或“双”．默认数据类型与您用于训练的培训数据的数据类型一致Mdl．

  • 可调性- 这个值必须是真正的．

预测器的编码器属性(μ的一个SVM回归模型)，指定为LearnercoderInpul.目的。

默认属性值LearnercoderInpul.对象基于输入参数Mdl的learnerCoderConfigurer：

  • 秘诀-如果你训练Mdl通过指定使用标准化预测器数据“标准化”,真正的，该值必须为(1, p)， 在哪里P.预测因子的数量在吗Mdl．否则，该值必须为(0,0)．

  • 杂色金属依赖项- 这个值必须是[0 0]，表示数组大小固定秘诀．

  • 数据类型- 这个值是'单身的'或“双”．默认数据类型与您用于训练的培训数据的数据类型一致Mdl．

  • 可调性-如果你训练Mdl通过指定使用标准化预测器数据“标准化”,真正的，默认值是真正的．否则，该值必须为假．

内核规模参数的编码器属性(内核参数.Scale的一个SVM回归模型)，指定为LearnercoderInpul.目的。

默认属性值LearnercoderInpul.对象基于输入参数Mdl的learnerCoderConfigurer：

  • 秘诀- 这个值必须是[1]．

  • 杂色金属依赖项- 这个值必须是[0 0]，表示数组大小固定秘诀．

  • 数据类型- 这个值是'单身的'或“双”．默认数据类型与您用于训练的培训数据的数据类型一致Mdl．

  • 可调性- 默认值是真正的．

预测标准偏差的编码器属性（Sigma.的一个SVM回归模型)，指定为LearnercoderInpul.目的。

默认属性值LearnercoderInpul.对象基于输入参数Mdl的learnerCoderConfigurer：

  • 秘诀-如果你训练Mdl通过指定使用标准化预测器数据“标准化”,真正的，该值必须为(1, p)， 在哪里P.预测因子的数量在吗Mdl．否则，该值必须为(0,0)．

  • 杂色金属依赖项- 这个值必须是[0 0]，表示数组大小固定秘诀．

  • 数据类型- 这个值是'单身的'或“双”．默认数据类型与您用于训练的培训数据的数据类型一致Mdl．

  • 可调性-如果你训练Mdl通过指定使用标准化预测器数据“标准化”,真正的，默认值是真正的．否则，该值必须为假．

支持向量的编码器属性(金宝app金宝appSupportVectors的一个SVM回归模型)，指定为LearnercoderInpul.目的。

默认属性值LearnercoderInpul.对象基于输入参数Mdl的learnerCoderConfigurer：

  • 秘诀- 默认值是(s, p)， 在哪里S.是支持向量的数量，以及金宝appP.预测因子的数量在吗Mdl．

  • 杂色金属依赖项- 这个值是[0 0]（默认）或[1 0]．

    • [0 0]中指定的数组大小固定秘诀．

    • [1 0]表示阵列具有可变大小的行和固定大小列。在这种情况下，第一个值秘诀是行数的上限，以及第二个值秘诀是列数。

  • 数据类型- 这个值是'单身的'或“双”．默认数据类型与您用于训练的培训数据的数据类型一致Mdl．

  • 可调性-如果你用线性核函数训练一个模型，并使用金宝app丢弃普罗斯韦普金宝app罗斯韦，该值必须为假．否则，该值必须为真正的．

其他配置程序选项

生成的C / C ++代码的文件名，指定为字符向量。

对象功能generateCode的RegressionSVMCoderConfigurer使用此文件名生成C/ c++代码。

文件名不能包含空格，因为它们可能导致某些操作系统配置中的代码生成失败。同样，名称必须是一个有效的MATLAB函数名称。

创建编码器配置程序后配置，可以使用点表示法指定文件名。

配置。OutputFileName =“myModel”;

数据类型：字符

详细级别，指定为真正的(逻辑1)或假（逻辑0）。详细级别控制命令行处的通知消息的显示。

价值 描述
真正的（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。
假(逻辑0) 该软件不显示通知消息。

要在生成代码中更新机器学习模型参数，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，因此软件将依赖关系存储为配置约束。如果您通过使用编码器配置器修改参数的编码器属性，并且该修改需要后续更改其他相关参数以满足配置约束，那么软件将更改相关参数的编码器属性。详细级别决定软件是否为这些后续更改显示通知消息。

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。

配置。详细的= false;

数据类型：逻辑

代码生成自定义选项

要自定义代码生成工作流，请使用生成菲尔斯功能和以下三个属性codegen（MATLAB编码器），而不是使用generateCode功能。

在生成两个入口点函数文件(预测.M.和update.m)，使用生成菲尔斯函数，您可以根据您的代码生成工作流修改这些文件。例如，可以修改预测.M.文件要包含数据预处理，或者您可以将这些入口函数添加到另一个代码生成项目。然后，您可以通过使用C / C ++代码来生成C / C ++代码codegen（MATLAB编码器）函数和codegen适合于修改的入口点函数或代码生成项目的参数。属性的设置可以使用本节描述的三个属性作为起点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。

此属性使您可以自定义代码生成工作流程。使用generateCode函数，如果您不需要自定义您的工作流。

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

generatefiles（configurer）cgargs = configurer.codegeNerationArguments;Codegen（CGARGS {：}）
如果您自定义代码生成工作流，请修改cgArgs因此之前调用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。

输入点函数的输入参数预测.M.控件的单元格数组，用于生成代码编码器。PrimitiveType（MATLAB编码器）目的。这编码器。PrimitiveType对象中存储的预测器数据的编码器属性X财产。

如果你修改预测器数据的编码器属性，软件就会更新编码器。PrimitiveType相应的对象。

这编码器。PrimitiveType对象预测inppuls.相当于配置。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update.m对于代码生成，指定为结构的单元格数组，包括编码器。PrimitiveType（MATLAB编码器）对象。每个编码器。PrimitiveType对象包括可调机器学习模型参数的编码器属性。

如果使用编码器配置程序属性修改模型参数的编码器属性（更新争论属性），然后软件更新相应的编码器。PrimitiveType相应的对象。如果您指定了可调性机器学习模型参数的属性为假，则软件删除相应的编码器。PrimitiveType对象来自updateInputs.列表。

结构在updateInputs.相当于配置。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 使用编码器配置程序生成C / C ++代码
生成菲尔斯 生成马铃薯使用编码器配置程序的代码生成文件
validatedUpdateInputs 验证并提取机器学习模型参数进行更新

例子

全部折叠

此示例使用：

打开生活的脚本

训练一个机器学习模型，然后生成代码预测和更新使用编码器配置器来函数模型。

加载carsmall数据集和训练支持向量机(SVM)回归模型。金宝app

加载carsmallX =(功率、重量);Y = MPG;Mdl = fitrsvm (X, Y);

Mdl是A.RegressionSVM目的。

控件的代码配置器RegressionSVM模型通过使用learnerCoderConfigurer．指定预测器数据X．这learnerCoderConfigurer功能使用输入X属性的编码器属性预测功能输入。

X配置= learnerCoderConfigurer (Mdl)
Configurer = RegressionsVMCoderConfigurer具有属性：更新输入：Alpha：[1x1 LearnercoderInput] SupportVectors：[1x1 Lear金宝appnercoderInput]尺度：[1x1 LearnercoderInput]偏置：[1x1 LearnercoderInput]预测输入：X：[1x1学习者划线算]代码生成参数：NumOutputs：1 outputFileName：'回归vmmmodel'属性，方法

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

要生成C/ c++代码，您必须能够访问正确配置的C/ c++编译器。MATLAB编码器定位和使用一个支持的，安装的编译器。金宝app您可以使用墨西哥人设置查看和更改默认编译器。更多信息请参见改变默认的编译器．

为此生成代码预测和更新SVM回归模型的功能（Mdl)，使用默认设置。

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

这generateCode函数完成以下操作:

  • 生成MATLAB文件所需生成的代码，包括两个入口点函数预测.M.和update.m为预测和更新函数Mdl， 分别。

  • 创建一个名为RegressionSVMModel对于两个入口点函数。

  • 创建MEX函数的代码codegen \墨西哥人\ RegressionSVMModel文件夹。

  • 将MEX函数复制到当前文件夹。

显示该内容预测.M.那update.m,initialize.m使用类型功能。

类型预测.M.
函数varargout = predict（x，varargin）％＃codegen％by matlab，23-feb-2021 19:18:25 [varargout {1：nargout}] =初始化（'predict'，x，varargin {：}）;结尾
类型update.m
function update(varargin) %#codegen % Autogenerated by MATLAB, 23- 2 -2021 19:18:25 initialize('update'，varargin{:});结尾
类型initialize.m
函数[varargout] = initialize（命令，varargin）％＃codegen％by matlab，23-feb-2021 19:18:25 coder.inline（'始终'）持久模型如果是isempty（模型）模型= loadlearnerforcoder（'回归vmmodel。垫'）;结束开关（命令）案例'更新'％更新结构字段：alpha％supportsvectors％scale％bias model =更新（型金宝app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

此示例使用：

打开生活的脚本

使用部分数据集列金宝app车支持向量机（SVM）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指定SVM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，该代码预测新的预测器数据的响应。然后使用整个数据集重新恢复模型，并在生成的代码中更新参数而无需重新生成代码。

火车模型

加载carsmall数据集和训练一个SVM回归模型使用前50个观察。

加载carsmallX =(功率、重量);Y = MPG;mdl = fitrsvm（x（1:50，:)，y（1:50））;

Mdl是A.RegressionSVM目的。

创建编码器配置程序

控件的代码配置器RegressionSVM模型通过使用learnerCoderConfigurer．指定预测器数据X．这learnerCoderConfigurer功能使用输入X属性的编码器属性预测功能输入。

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

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

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，以便在刷新模型后，您可以更新生成的代码中的参数。此示例指定要传递给生成的代码和SVM回归模型的支持向量的编码器属性的预测器数据的编码器属性。金宝app

首先，指定编码器属性X这样生成的代码就可以接受任何数量的观察结果。修改秘诀和杂色金属依赖项属性。这秘诀属性指定预测器数据大小的上界，以及杂色金属依赖项属性指定预测器数据的每个维度是否具有可变大小或固定大小。

configuration . x . sizevector = [Inf 2];configuration . x . variabledimensions = [true false];

第一个维度的大小是观测的数量。在本例中，代码指定大小的上限为正大小是可变的，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数据的数量，则此规范非常方便。

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包含两个预测器，因此秘诀属性的值必须为2杂色金属依赖项属性必须假．

如果您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的编码器属性金宝appSupportVectors这样您就可以在生成的代码中更新支持向量。金宝app

configurati金宝appon . supportvectors . sizevector = [250 2];
alpha的Sizevector属性已被修改为满足配置约束。
configurer.金宝appsupportVectors.variabledimensions = [true false];
Alpha的VariableDimensions属性已经被修改以满足配置约束。

的编码器属性金宝appSupportVectors，然后软件修改编码器属性Α满足配置约束。如果一个参数的编码器属性的修改需要随后的改变对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。

生成代码

要生成C/ c++代码，您必须能够访问正确配置的C/ c++编译器。MATLAB编码器定位和使用一个支持的，安装的编译器。金宝app您可以使用墨西哥人设置查看和更改默认编译器。更多信息请参见改变默认的编译器．

使用generateCode为此生成代码预测和更新SVM回归模型的功能（Mdl)，使用默认设置。

generateCode(配置)
generateCode在输出文件夹中创建这些文件:'initialize。米”、“预测。米”、“更新。米”、“RegressionSVMModel。mat'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预测.M.和update.m为预测和更新函数Mdl， 分别。然后generateCode创建一个名为RegressionSVMModel对于两个入口点函数codegen \墨西哥人\ RegressionSVMModel文件夹并将MEX函数复制到当前文件夹。

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MEX函数中的函数返回相同的预测响应。要在具有多个入口点的MEX函数中调用一个入门点函数，请将函数名称指定为第一个输入参数。

YFIT =预测（MDL，x）;yfit_mex = RegressionSVMModel (“预测”，X）;

yfit_mex可能包括与的舍入差异YFIT.．在这种情况下，比较YFIT.和yfit_mex，允许小的公差。

查找（ABS（YFIT-YFIT_MEX）> 1E-6）
ans = 0x1空双列向量

比较证实了YFIT.和yfit_mex在容忍范围内是否相等1 e-6．

在生成代码中重新训练模型和更新参数

使用整个数据集重新培训模型。

retrainedMdl = fitrsvm (X, Y);

通过使用提取要更新的参数validatedUpdateInputs．此功能检测到修改的模型参数retrainedMdl并验证修改后的参数值是否满足参数的编码器属性。

params = validatedUpdateInputs(配置、retrainedMdl);

更新生成代码中的参数。

回归vmmodel（'更新'，params）

验证生成的代码

的输出进行比较预测的函数retrainedMdl和预测函数。

yfit =预测(retrainedMdl X);yfit_mex = RegressionSVMModel (“预测”，X）;查找（ABS（YFIT-YFIT_MEX）> 1E-6）
ans = 0x1空双列向量

比较证实了YFIT.和yfit_mex在容忍范围内是否相等1E-6．

更多关于

展开全部

也可以看看

||||

主题

在R2018B中介绍

统计和机器学习工具箱文档

金宝app

掌握机器学习：使用MATLAB逐步指南

掌握机器学习：使用MATLAB逐步指南

下载电子书