MATLAB®编码器™从支持代码生成的Statistics和Machine Learning Toolbox函数中生成可读且可移植的C和c++代码。金宝app例如,通过使用代码生成将训练有素的支持向量机(SVM)分类模型部署到设备上,可以对无法运行MATLAB的硬件设备上的新观察结果进行分类。金宝app
你可以用几种方法为这些函数生成C/ c++代码:
使用saveLearnerForCoder
,loadLearnerForCoder
,codegen
(MATLAB编码器)为机器学习模型的目标函数。
使用由。创建的编码器配置器learnerCoderConfigurer
为预测
和更新
机器学习模型的目标函数。通过使用配置器和更新生成代码中的模型参数来配置代码生成选项。
使用codegen
用于其他支持代码生成的函数。金宝app
您还可以为一些机器学习模型的预测生成定点C/ c++代码。这种类型的代码生成需要Fixed-Point Designer™。
将机器学习模型的预测集成到Simulink中金宝app®,使用MATLAB函数块或统计和机器学习工具箱库中的Simulink块。金宝app
要了解代码生成,请参见代码生成简介.
有关支持代码生成的函数列表,请参见金宝app函数列表(C/ c++代码生成).
学习如何为统计和机器学习工具箱函数生成C/ c++代码。
为不使用机器学习模型对象的统计和机器学习工具箱函数生成代码。
在命令行生成预测分类或回归模型的代码。
在命令行生成实现二进制线性分类增量学习的代码。
方法生成预测分类或回归模型的代码MATLAB编码器应用程序。
使用编码器配置器生成预测模型的代码,并在生成的代码中更新模型参数。
生成接受在运行时大小可能改变的输入参数的代码。
生成对包含数字和类别变量的表中的数据进行分类的代码。
在拟合SVM分类器和生成代码之前,将分类预测器转换为数字虚拟变量。
为SVM分类或回归模型的预测生成定点代码。
使用classification Learner app训练分类模型,并生成C/ c++代码用于预测。
使用最近邻居搜索器模型生成查找最近邻居的代码。
生成将概率分布对象拟合到样本数据的代码,并对拟合的分布对象进行评估。
这个例子展示了如何使用Classification Learner训练逻辑回归模型,然后生成C代码,使用导出的分类模型预测标签。
这个例子展示了如何在Simulink®中使用ClassificationSVM Predict块进行标签预测。金宝app
使用分类学习器应用程序训练分类决策树模型,然后使用ClassificationTree预测块用于标签预测。
使用ClassificationEnsemble预测块预测类标签
训练具有最优超参数的分类集成模型,然后使用ClassificationEnsemble预测块用于标签预测。
使用回归学习程序金宝app训练支持向量机(SVM)回归模型,然后使用RegressionSVM预测响应预测块。
这个例子展示了如何在Simulink®中使用RegressionTree Predict块进行响应预测。金宝app
使用RegressionEnsemble Predict Block预测响应
训练具有最优超参数的回归集成模型,然后使用RegressionEnsemble预测响应预测块。
从使用SVM模型对数据进行分类的Simul金宝appink模型生成代码。
从System对象™生成代码,使用经过训练的分类模型进行预测,并在Simulink模型中使用System对象。金宝app
从状态流生成代码®使用判别分析分类器对数据进行分类的模型。
从为定点部署准备的Simulink分类模型金宝app生成代码。