用于支持向量机(SVM)回归模型的编码器配金宝app置器
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
.
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。
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。
X
-预测器数据的编码器属性LearnercoderInpul.
目的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
.
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
.
Α
-对偶问题系数的编码器属性LearnercoderInpul.
目的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
.
β
-原始线性问题系数的编码器属性LearnercoderInpul.
目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
.
偏见
-偏置术语的编码器属性LearnercoderInpul.
目的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
.
μ
-预测器的编码器属性手段LearnercoderInpul.
目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
:
规模
-编码器属性的内核规模参数LearnercoderInpul.
目的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
.
Sigma.
-预测标准偏差的编码器属性LearnercoderInpul.
目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
:
金宝appSupportVectors
-支持向量的编码器属性金宝appLearnercoderInpul.
目的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
.
outputfilename.
-生成的C / C ++代码的文件名“RegressionSVMModel”
(默认)|字符向量生成的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
详细的
-冗长的水平真正的
(逻辑1)(默认)|假
(逻辑0)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
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。
CodeGenerationArguments
-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 {:})
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
预测inppuls.
-输入参数的预测
编码器。PrimitiveType
目的此属性是只读的。
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
updateInputs.
-的可调输入参数列表更新
编码器。PrimitiveType
对象此属性是只读的。
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
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 |
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
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
.
LearnercoderInpul.
目的代码配置器使用LearnercoderInpul.
对象指定编码器属性预测
和更新
输入参数。
一种LearnercoderInpul.
对象具有以下属性,用于在生成的代码中指定输入参数数组的属性。
属性名称 | 描述 |
---|---|
秘诀 |
数组大小如果对应 如果相应的阵列大小的上限 |
杂色金属依赖项 |
指示阵列的每个维度是否具有可变大小或固定大小的指示器,指定为
|
数据类型 |
阵列的数据类型 |
可调性 |
指示是否启用的指示器 如果指定其他属性值 |
创建编码器配置器后,可以使用点表示法修改编码器属性。例如,指定系数的编码器属性Α
的编码器配置程序配置
如下:
configuration . alpha . sizevector = [100 1];configuration . alpha . variabledimensions = [1 0];configurer.Alpha.DataType =“双”;
详细的
),真正的
(默认),然后软件在修改机器学习模型参数的编码器属性时显示通知消息,并且修改改变了其他相关参数的编码器属性。
您单击了与此MATLAB命令对应的链接:
在MATLAB命令窗口中输入它来运行命令。Web浏览器不支持MATLAB命令。金宝app
你也可以从以下列表中选择一个网站:
选择中国网站(以中文或英文)以获取最佳网站性能。其他MathWorks国家网站未优化您的位置。