数据预处理

加载census1994数据集。这个数据集由美国人口普查局的人口统计数据组成，用来预测一个人的年收入是否超过5万美元。

负载census1994

考虑一个模型，它根据员工的年龄、工人阶级、教育水平、资本损益和每周工作时间来预测员工的工资类别。提取感兴趣的变量并使用表保存它们。

台= adultdata (:, {“时代”那'education_num'那'capital_gain'那“capital_loss”那“hours_per_week”}）;

打印表格的摘要。

总结(台)

变量：年龄：32561x1双值：最小17中值37最大90 education_num：32561x1双值：敏1中值10最大16 capital_gain：32561x1双值：最小0平均0最大值99999 capital_loss：32561x1双值：最小0平均0最大4356hours_per_week：32561x1双重价值：分1位数40最大99

变量的尺度并不一致。在这种情况下，你可以使用一个标准化的数据集通过指定训练模型“标准化”的名称-值对参数fitcsvm．然而，添加的操作标准化到定点代码可以降低精度和提高内存的使用。相反，你可以手动标准化的数据集，如本例所示。这个例子也说明了如何检查在最后的内存使用。

代码生成不支持表或分类阵列。金宝app因此，界定预测数据X.使用数字矩阵，并定义类标签y使用逻辑矢量。逻辑向量中的二元分类问题最有效地使用存储器。

X = table2array（TBL）;Y = adultdata.salary =='<= 50K';

定义观测权值W.．

w = adultdata.fnlwgt;

存储器使用的作为支持向量的模型中的增加数目的训练的模型增加。金宝app为了减少支持向量的数量，可以增加箱约束使用训练的金宝app时候'BoxConstraint'名称-值对参数或使用下采样的代表性数据集进行训练。注意，增加方框约束会导致训练时间变长，而使用下采样数据集会降低训练模型的准确性。在本例中，从数据集中随机抽取1000个观察数据，并使用下采样的数据进行训练。

rng (“默认”）%的再现性[x_sampled，idx] = datasample（x，1000，“替换”、假);Y_sampled = Y (idx);w_sampled = w (idx);

查找使用训练模型的加权平均值和标准偏差“重量”和“标准化”名称-值对参数。

tempMdl = fitcsvm (X_sampled Y_sampled,“重量”w_sampled,“KernelFunction”那“高斯”那“标准化”，真的）;亩= tempMdl.Mu;差= tempMdl.Sigma;

如果你不使用“费用”那“之前”或者“重量”的名称-值对参数，然后可以通过使用zscore函数。

[standardizedX_sampled、μ、σ]= zscore (X_sampled);

通过使用标准化预测数据μ和Sigma.．

standardizedX =（X-MU）./西格玛;standardizedX_sampled = standardizedX（IDX，:);

您可以使用测试数据集来验证培训的模型并测试仪表后的MEX功能。指定测试数据集并通过使用标准化测试预测器数据μ和Sigma.．

XTest = table2array(成人(:{“时代”那'education_num'那'capital_gain'那“capital_loss”那“hours_per_week”}));standardizedXTest = (XTest-mu)。/σ;欧美=成人。工资= ='<= 50K';

火车模型

培训二进制SVM分类模型。

MDL = fitcsvm（standardizedX_sampled，Y_sampled，“重量”w_sampled,“KernelFunction”那“高斯”）;

Mdl是A.ClassificationSVM模型。

计算训练数据集和测试数据集的分类误差。

损失(Mdl standardizedX_sampled Y_sampled)

ANS = 0.1663

损失(Mdl standardizedXTest、欧美)

ans = 0.1905

支持向量机分类器误分类了大约17%的训练数据和19%的测试数据。

保存模型

将SVM分类模型保存到文件中myMdl.mat通过使用Savelarnerforcoder.．

saveLearnerForCoder（MDL，'myMdl'）;

定义固定点数据类型

使用generatelearnerdatatypefcn.生成一个函数，定义支持向量机模型预测所需变量的定点数据类型。使用所有可用的预测器数据来获得定点数据类型的真实范围。

generateLearnerDataTypeFcn（'myMdl'[standardizedX;standardizedXTest]）

generatelearnerdatatypefcn.生成myMdl_datatype函数。显示的内容mymdl_datatype.m.通过使用type函数。

typemymdl_datatype.m.

函数t = mymdl_datatype（dt）％mymdl_datatype定义了固定点代码生成％t = mymdl_datatype（dt）的数据类型返回数据类型结构t，该数据类型结构t，其定义生成固定点C / C ++所需的变量的％数据类型代码％用于机器学习模型的预测。的T每个字段都包含通过网络连接的返回％定点对象。输入参数DT指定定点对象的％DataType属性。指定作为DT“固定”（默认）％定点代码生成或指定DT为“双重”的定点代码的模拟％浮点行为。％％使用输出结构T作为一个入口点％函数的两个输入参数和％入口点函数内loadLearnerForCoder的第二输入参数。欲了解更多信息，请参见loadLearnerForCoder。％文件：mymdl_datatype.m％统计和机器学习工具箱版本12.0（发布r2020b）％由matlab生成，03-oct-2020 19:20:23如果nargin <1 dt ='固定';端％设定定点数学设置FM = fimath（ 'RoundingMethod'， '地面'，... 'OverflowAction'， '环绕'，... 'ProductMode'， 'FullPrecision'，... 'MaxProductWordLength'，128，... 'SumMode'， 'FullPrecision'，... 'MaxSumWordLength'，128）;预测器数据的％数据类型t.xdatatype = fi（[]，true，16,11，fm，'datatype'，dt）; % Data type for output score T.ScoreDataType = fi([],true,16,14,fm,'DataType',dt); % Internal variables % Data type of the squared distance dist = (x-sv)^2 for the Gaussian kernel G(x,sv) = exp(-dist), % where x is the predictor data for an observation and sv is a support vector T.InnerProductDataType = fi([],true,16,6,fm,'DataType',dt); end

注意：如果您单击位于这个例子中的右上部分的按钮，并在打开的MATLAB®例如，然后打开MATLAB的例子文件夹。此文件夹包含入口点函数文件。

当myMdl_datatype函数使用默认字长(16)，并根据每个变量的默认字长(16)和安全裕度(10%)提出最大分数长度以避免溢出。

创建一个结构T.通过使用定义定点数据类型myMdl_datatype．

T = myMdl_datatype（'固定'）

T =结构体字段:XDataType: [0 x0嵌入。FI.] ScoreDataType: [0x0 embedded.fi] InnerProductDataType: [0x0 embedded.fi]

结构T.方法所需的已命名变量和内部变量的字段预测函数。每个字段包含一个定点对象，由FI.(定点设计师)．例如，显示预测器数据的定点数据类型属性。

t.xdatatype.

ANS = [] DataTypeMode：定点：二进制点缩放符号性：签字字长：16 FractionLength：11 RoundingMethod：地板OverflowAction：裹ProductMode：FullPrecision MaxProductWordLength：128 SumMode：FullPrecision MaxSumWordLength：128

有关生成的功能和结构的详细信息，请参阅数据类型功能．

定义入口点函数

定义一个入口点函数名为myfixedpointpredict它的作用如下:

函数(标签,分数)= myFixedPointPredict (X, T)％＃codegen.MDL = loadLearnerForCoder（'myMdl'那“数据类型”T);(标签,分数)=预测(Mdl X);结束

(可选)优化定点数据类型

使用以下方法优化定点数据类型buildInstrumentedMex和showInstrumentationResults．通过使用记录所有命名和内部变量的最小值和最大值buildInstrumentedMex．使用仪器使用showInstrumentationResults;然后，根据结果，调整变量的定点数据类型属性。

指定入口点函数的输入参数类型

的输入参数类型myfixedpointpredict使用2 × 1单元阵列。

ARGS =细胞（2,1）;

第一输入参数是预测数据。当XDataType结构场T.指定所述预测数据的定点数据类型。转换X.的类型指定在t.xdatatype.通过使用铸(定点设计师)函数。

X_fx =投(standardizedX,“喜欢”，T.XDataType）;

测试数据集与训练数据集的大小不相同。指定ARGS {1}通过使用coder.typeof（MATLAB编码器）以便MEX函数可以接受大小可变的输入。

ARGS {1} = coder.typeof (X_fx、大小(standardizedX) [1,0]);

第二输入参数是结构T.，它必须是一个编译时间常数。使用编码器。常数（MATLAB编码器）指定T.作为代码生成过程中的常数。

ARGS {2} = coder.Constant (T);

创建仪表MEX功能

通过使用创建仪器化的MEX功能buildInstrumentedMex(定点设计师)．

buildInstrumentedMexmyfixedpointpredict-  args.ARGS-OmyFixedPointPredict_instrumented-histogram-coder

测试仪表MEX功能

运行仪表MEX功能，记录仪表结果。

[labels_fx1, scores_fx1] = myFixedPointPredict_instrumented (X_fx T);

您可以多次运行录音MEX功能以从各种测试数据集记录结果。使用仪器化的MEX功能使用standardizedXTest．

Xtest_fx =铸造（standardizedXTest，“喜欢”，T.XDataType）;[labels_fx1_test，scores_fx1_test] = myFixedPointPredict_instrumented（Xtest_fx，T）;

查看仪表型MEX功能的结果

打电话showInstrumentationResults(定点设计师)打开包含仪器结果的报告。查看模拟最小值和最大值，提出分数长度，电流范围的百分比，和整数的状态。

showInstrumentationResults（“myFixedPointPredict_instrumented”）

中建议的单词长度和分数长度X.是相同的那些XDataType在结构T.．

通过单击查看变量的直方图在变量标签。

该窗口包含直方图和带有变量信息的对话框面板。有关此窗口的信息，请参阅numerictyPescope.(定点设计师)参考页面。

通过使用清除结果clearInstrumentationResults(定点设计师)．

clearInstrumentationResults (“myFixedPointPredict_instrumented”）

验证仪器函数

从比较的输出预测和myFixedPointPredict_instrumented．

[标签，分数] =预测（MDL，standardizedX）;verify_labels1 = ISEQUAL（标签，labels_fx1）

verify_labels1 =逻辑0.

ISEQUAL返回逻辑1（真），如果标签和labels_fx1是平等的。如果标签不相等，就可以计算错误分类标签的百分比如下。

diff_labels1 =总和(比较字符串(字符串(labels_fx1),字符串(标签))= = 0)/长度(labels_fx1) * 100

diff_labels1 = 0.1228

寻找最大的得分输出之间的相对差异。

diff_scores1 = max (abs (scores_fx1.double(: 1)分数(:1))。/分数(:1)))

diff_scores1 = 83.0713.

调定点数据类型

如果记录的结果显示溢出或下溢，或者希望提高生成代码的精度，则可以调优定点数据类型。的方法来修改定点数据类型myMdl_datatype工作，并创建一个新的结构，然后生成使用新的结构的代码。要更新myMdl_datatype功能，可以手动修改在功能文件定点数据类型（mymdl_datatype.m.）。或者，您可以生成使用功能generatelearnerdatatypefcn.并指定较长的单词长度，如本例所示。有关详细信息，请参见提示．

生成一个新的数据类型函数。指定单词长度为32和名称myMdl_datatype2为生成的函数。

generateLearnerDataTypeFcn（'myMdl'[standardizedX;standardizedXTest]“字”，32，“OutputFunctionName”那“myMdl_datatype2”）

显示的内容myMdl_datatype2.m．

typemyMdl_datatype2.m

函数T = myMdl_datatype2（DT）％MYMDL_DATATYPE2定义数据类型为固定点代码生成％％T = MYMDL_DATATYPE2（DT）返回数据类型结构T，它定义为变量％的数据类型需要生成定点C / C ++代码％用于机器学习模型的预测。的T每个字段都包含通过网络连接的返回％定点对象。输入参数DT指定定点对象的％DataType属性。指定作为DT“固定”（默认）％定点代码生成或指定DT为“双重”的定点代码的模拟％浮点行为。％％使用输出结构T作为一个入口点％函数的两个输入参数和％入口点函数内loadLearnerForCoder的第二输入参数。欲了解更多信息，请参见loadLearnerForCoder。％文件：myMdl_datatype2.m％统计和机器学习工具箱12.0版（版本R2020b）％的MATLAB生成，03-OCT-2020 19时21分37秒，如果nargin <1 DT = '固定';端％设定定点数学设置FM = fimath（ 'RoundingMethod'， '地面'，... 'OverflowAction'， '环绕'，... 'ProductMode'， 'FullPrecision'，... 'MaxProductWordLength'，128，... 'SumMode'， 'FullPrecision'，... 'MaxSumWordLength'，128）;％数据类型为预测数据T.XDataType =音响（[]，真实，32,27，FM， '数据类型'，DT）; % Data type for output score T.ScoreDataType = fi([],true,32,30,fm,'DataType',dt); % Internal variables % Data type of the squared distance dist = (x-sv)^2 for the Gaussian kernel G(x,sv) = exp(-dist), % where x is the predictor data for an observation and sv is a support vector T.InnerProductDataType = fi([],true,32,22,fm,'DataType',dt); end

当myMdl_datatype2功能指定字长32并提出了最大比例的长度，以避免溢出。

创建一个结构T2通过使用定义定点数据类型myMdl_datatype2．

T2 = myMdl_datatype2 ('固定'）

T2 =结构体字段:XDataType: [0 x0嵌入。FI.] ScoreDataType: [0x0 embedded.fi] InnerProductDataType: [0x0 embedded.fi]

创建一个新的仪表函数，记录结果，并通过使用查看结果buildInstrumentedMex和showInstrumentationResults．

X_fx2 =铸造（standardizedX，“喜欢”, T2.XDataType);buildInstrumentedMexmyfixedpointpredict-  args.{x_fx2，coder.constant（t2）}-OmyFixedPointPredict_instrumented2-histogram-coder[labels_fx2，scors_fx2] = myfixedpointpredict_instrumented2（x_fx2，t2）;showInstrumentationResults（'myFixedPointPredict_instrumented2'）

查看仪表报告，然后清除结果。

clearInstrumentationResults ('myFixedPointPredict_instrumented2'）

验证myFixedPointPredict_instrumented2．

verify_labels2 = ISEQUAL（标签，labels_fx2）

verify_labels2 =逻辑0.

diff_labels2 = sum（strcmp（string（labels_fx2），string（标签））== 0）/ length（labels_fx2）* 100

diff_labels2 = 0.0031

diff_scores2 = max（abs（（scores_fx2.double（：，1）-scores（：，1））./ scores（：1）））

diff_scores2 = 2.0602

错误分类标签的百分比diff_labels2和得分值的相对差diff_scores2.小于使用默认字长度生成的先前MEX函数（16）的那些。

有关通过插MATLAB®代码优化定点数据类型的更多详情，请参见参考页buildInstrumentedMex(定点设计师)那showInstrumentationResults(定点设计师),clearInstrumentationResults(定点设计师)，以及例子一组数据类型使用最小/最大仪器仪表(定点设计师)．

生成代码

使用生成入口点函数的代码Codegen.．而不是指定用于预测器数据集的可变大小输入，请通过使用指定固定大小的输入coder.typeof．如果您知道传递给生成的代码的预测器数据集的大小，则优选为固定大小输入的代码用于代码的简单性。

Codegen.myfixedpointpredict-  args.{coder.typeof（X_fx2，[1,5]，[0,0]），coder.Constant（T2）}

Codegen.生成MEX函数myFixedPointPredict_mex与平台相关的扩展。

验证生成的代码

您可以验证myFixedPointPredict_mex函数的方法与验证仪表化的MEX函数的方法相同。看到验证仪器函数部分细节。

[labels_sampled, scores_sampled] =预测(Mdl standardizedX_sampled);n =大小(standardizedX_sampled, 1);labels_fx = true (n, 1);scores_fx = 0 (n, 2);对于I = 1：N [labels_fx（i）中，scores_fx（I，:)] = myFixedPointPredict_mex（X_fx2（IDX（i）中，:)，T2）;结束verify_labels = ISEQUAL（labels_sampled，labels_fx）

verify_labels =逻辑1

diff_labels =总和(比较字符串(字符串(labels_fx),字符串(labels_sampled)) = = 0) /长度(labels_fx) * 100

diff_labels = 0

diff_scores = MAX（ABS（（scores_fx（：，1）-scores_sampled（：，1））./ scores_sampled（：，1）））

diff_scores = 0.0638

内存使用

良好做法是在培训模型之前手动标准化预测器数据。如果你使用“标准化”名称 - 值对的参数，而不是，然后将所生成的定点代码包括标准化的操作，这会导致精度的损失和增加的内存使用。

如果您生成一个静态库，您可以通过使用一个代码生成报告找到的内存使用生成的代码。指定配置:自由要生成静态库，并使用-report.选项生成的代码生成报告。

Codegen.myfixedpointpredict-  args.{coder.typeof（X_fx2，[1,5]，[0,0]），coder.Constant（T2）}-OmyFixedPointPredict_lib配置:自由-report.

在这一点总结代码生成报告的选项卡，单击代码指标．函数信息部分显示累积的堆栈大小。

要查找内存使用与培养了模型'标准化'，'真'，您可以运行以下代码。

MDL = fitcsvm（X_sampled，Y_sampled，“重量”w_sampled,“KernelFunction”那“高斯”那“标准化”，真的）;saveLearnerForCoder（MDL，'myMdl'）;generateLearnerDataTypeFcn（'myMdl'[X;XTest),“字”，32，“OutputFunctionName”那“myMdl_standardize_datatype”）T3 = myMdl_standardize_datatype（'固定'）;X_fx3 =铸造（X_sampled，“喜欢”, T3.XDataType);Codegen.myfixedpointpredict-  args.{coder.typeof (X_fx3 [1,5], [0]), coder.Constant (T3)}-OmyFixedPointPredict_standardize_lib配置:自由-report.