预测

使用支持向量机回归模型预测响应金宝app

在页面中展开全部

语法

yfit=预测（Mdl，X）

描述

例子

伊菲特=预测（MDL.,十)返回表或矩阵中预测值数据的预测响应向量十，基于完整或紧凑，训练的支持向量机（SVM）回归模型金宝appMDL..

输入参数

展开全部

`MDL.`—SVM回归模型
`回归vm.`对象|`compactregressionsvm.`对象

SVM回归模型，指定为回归vm.型号或acompactregressionsvm.模型，返回Fitrsvm.或者袖珍的分别是。

`十`—用于生成响应的预测数据
数字矩阵|桌子

用于生成响应的预测数据，指定为数字矩阵或表格。

每一排十对应于一个观察，并且每列对应于一个变量。

对于数值矩阵：
- 组成列的变量十必须具有与培训的预测变量相同的顺序MDL..
- 如果你训练有素MDL.使用表格（例如，TBL.），然后十可以是一个数字矩阵TBL.包含所有数字预测变量。治疗数字预测器TBL.作为培训期间的分类，使用该识别分类预测因子分类预测器名称 - 值对参数Fitrsvm.. 如果TBL.包含异类预测变量（例如，数字和分类数据类型）和十是一个数字矩阵预测抛出错误。
对于表：
- 预测不支持字符向量的单金宝app元格阵列以外的多列变量或单元格阵列。
- 如果你训练有素MDL.使用表格（例如，TBL.），然后所有预测器变量都在十变量名和数据类型必须与训练的变量名和数据类型相同MDL.（存储在mdl.predictornames.）。但是，列顺序十不需要与的列顺序对应TBL..TBL.和十可以包含其他变量（响应变量，观察权重等），但是预测无视他们。
- 如果你训练有素MDL.使用数字矩阵，然后是预测器名称mdl.predictornames.以及相应的预测器变量名十一定是一样的。要在训练期间指定预测器名称，请参见预测名称 - 值对参数Fitrsvm..所有预测因子变量十必须是数字向量。十可以包含其他变量（响应变量，观察权重等），但是预测无视他们。

如果你设置了“标准化”，没错在Fitrsvm.训练MDL.，然后该软件标准化列的列十使用相应的手段mdl.mu.和标准偏差Mdl.西格玛.

数据类型：桌子|双倍的|单一的

输出参数

展开全部

`伊菲特`- 预测的回应
矢量

作为长度向量返回的预测响应N，在哪里N是培训数据中的观察数。

有关如何预测响应的详细信息，请参阅等式1和等式2在了解支持向量机回归金宝app.

例子

展开全部

支持向量机回归模型的样本响应预测

打开直播脚本

加载Carsmall.数据集。考虑一个模型，预测汽车的燃料效率，因为它的马力和重量。确定样本大小。

负载Carsmall.tbl=表（马力、重量、MPG）；N=尺寸（tbl，1）；

将数据分区为培训和测试集。持有10％的测试数据。

RNG（10）;重复性的％cvp=cvp（N，“坚持”,0.1); idxTrn=培训（cvp）；%训练集索引idxTest=试验（cvp）；%测试集索引

训练线性支持向量机回归模型。数据标准化。

Mdl=fitrsvm（tbl（idxTrn，：），'英里/加仑','标准化'，正确）；

MDL.是一个回归vm.模型。

预测测试集的响应。

YFIT =预测（MDL，TBL（iDXTEST，:)）;

创建一个包含观测响应值和预测响应值并排的表。

表（tbl.mpg（iDxtest），Yfit，'可变名称',...{'观测值','predightvalue'}）

ans =.10×2表观测值预测值9.4833 27 28.938 10 7.765 28 27.155 22 21.054 29 31.484 24.5 30.306 18.5 19.12 32 28.225 26.632

尖端

如果MDL.是否交叉验证回归分区支持向量机型号，使用Kfoldpredict而不是预测预测新的响应值。

替代功能

金宝appSimulink块

将支持向量机回归模型的预测集成到Simulink中金宝app^®，你可以使用回归vm预测统计和机器学习工具箱™库或MATLAB中的块^®功能块预测功能。对于例子，见使用RegersionsVM预测块预测响应和使用MATLAB功能块预测类标签.

在确定使用哪种方法时，请考虑以下内容：

如果使用统计和机器学习工具箱库块，则可以使用定点工具（定点设计师）将浮点模型转换为定点。
金宝app必须为Matlab功能块启用对可变大小阵列的支持预测功能。
如果使用MATLAB函数块，则可以在同一MATLAB函数块中的预测之前或之后使用MATLAB函数进行预处理或后处理。

扩展功能

高阵列
使用内存中行数过多的数组进行计算。

此函数完全支持高数组。有关详细信息，请参金宝app阅高阵列.

C / C ++代码生成
使用MATLAB®Coder™生成C和C ++代码。

使用说明和限制：

您可以为两者生成C/C++代码预测和更新通过使用编码器配置器。或者，仅生成代码预测通过使用Savelarnerforcoder.,LoadLearnerFor编码器，和编码基因.
- 的代码生成预测和更新- 通过使用创建编码器配置程序Learnercoderconfigurer然后使用Generatecode..然后，您可以在生成的代码中更新模型参数，而无需重新生成代码。
- 的代码生成预测-使用保存经过训练的模型Savelarnerforcoder..定义通过使用加载保存的模型的入口点函数LoadLearnerFor编码器并致电预测功能。然后使用编码基因（MATLAB编码器）为入口点函数生成代码。

要为预测生成单精度C / C ++代码，请指定名称值参数'DataType'，'single'当你打电话给LoadLearnerFor编码器功能。
还可以为生成定点C/C++代码预测. 定点代码生成需要一个额外的步骤来定义预测所需变量的定点数据类型。使用数据类型功能生成者generatelearnerdatatypefcn.，并将该结构用作LoadLearnerFor编码器在入口点函数中。生成定点C/C++代码需要MATLAB编码器™和固定点设计器™。

此表包含有关预测. 完全支持此表中未包含的参数。金宝app

争论注意和局限性

争论	注意和局限性
`MDL.`	有关模型对象的使用说明和限制，请参阅代码生成的`compactregressionsvm.`目的。
`十`	对于一般代码生成，`十`必须是单精度或双精度矩阵或包含数字变量、分类变量或两者的表。在编码器配置器工作流中，`十`必须是单精度或双精度矩阵。对于固定点代码生成，`十`必须是不动点矩阵。行数或观察的数量`十`可以是可变大小，但列的数量`十`必须固定。如果要指定`十`作为表，则必须使用表对模型进行训练，并且预测的入口点函数必须：接受数据作为数组。从数据输入参数创建表，并指定表中的变量名称。把桌子传递给`预测`. 有关此表工作流的示例，请参见生成代码对表中的数据进行分类.有关在代码生成中使用表的详细信息，请参阅表的代码生成（MATLAB编码器）和代码生成的表限制（MATLAB编码器）.

MDL.

有关模型对象的使用说明和限制，请参阅代码生成的compactregressionsvm.目的。

十

对于一般代码生成，十必须是单精度或双精度矩阵或包含数字变量、分类变量或两者的表。
在编码器配置器工作流中，十必须是单精度或双精度矩阵。
对于固定点代码生成，十必须是不动点矩阵。
行数或观察的数量十可以是可变大小，但列的数量十必须固定。
如果要指定十作为表，则必须使用表对模型进行训练，并且预测的入口点函数必须：
- 接受数据作为数组。
- 从数据输入参数创建表，并指定表中的变量名称。
- 把桌子传递给预测.
有关此表工作流的示例，请参见生成代码对表中的数据进行分类.有关在代码生成中使用表的详细信息，请参阅表的代码生成（MATLAB编码器）和代码生成的表限制（MATLAB编码器）.