火车分类模型

这个例子使用了电离层数据集，其中包含雷达返回品质（y)及预测数据(X）34个变量。雷达返回质量很好（'G'）或质量不好（'B'）。

加载电离层数据集。确定样本量。

加载电离层n = numel（y）

n = 351

假设按顺序检测到雷达返回，并且您拥有前300个观察，但您还没有收到最后51次。将数据分区为现在和未来的样本。

prsntX = X(施用:);prsntY = Y(施用);ftrX = X(301年:,);ftrY = Y(301:结束);

使用所有目前可用的数据列车SVM模型。指定预测数据标准化。

svmmdl = fitcsvm（prsntx，prsnty，“标准化”，真的）;

svmmdl.是A.ClassificationSVM模型。

通过使用使用的检查负片名称和正类名Classnames.财产svmmdl.。

svmmdl.classnames.

ans =.2x1细胞{'b'} {'g'}

否定类是'B'，正类是'G'。来自的输出值分数分类svm预测块的端口顺序相同。第一和第二元素分别对应负类和正类分数。

创建模型模型金宝app

此示例提供了Simulink模型金宝appslexIonosphereClassificationSVMPredictExample.slx，包括该分类vm预测块。您可以打开Simulink模型或创金宝app建一个新模型，如本节所述。

打开Simulin金宝appk模型slexIonosphereClassificationSVMPredictExample.slx。

simmdlname ='slexionosphereclassificationsvmpredictexample';open_system (SimMdlName)

这preloadfcn.回调函数的slexionosphereclassificationsvmpredict表现包括加载样本数据的代码，培训SVM模型，并为Simulink模型创建输入信号。金宝app如果打开Simulink模型，则金宝app软件运行代码preloadfcn.在加载Simulink模型之前。金宝app查看回调函数，在设置一节造型选项卡，单击模型设置并选择模型属性。然后,在回调选项卡，选择preloadfcn.的回调函数模型的回调窗格。

要创建新的Simulink模型，金宝app请打开空白模型模板并添加分类VM预测块。添加Inport和Outport块并将其连接到分类VM预测块。

双击ClassificationsVM预测块以打开“块参数”对话框。指定选择训练好的机器学习模型参数为svmmdl.，这是包含培训的SVM模型的工作区变量的名称。点击刷新按钮。该对话框显示用于培训SVM模型的选项svmmdl.在下面训练有素的机器学习模型。选择添加预测类别分数的输出端口复选框添加第二个输出端口分数。

分类VM预测块期望观察包含34个预测值值。双击Inport块，并设置港维到34岁信号的属性标签。

为Simulink模型创建一个结构数组形式的输入信号。金宝app结构数组必须包含以下字段:

为将来的雷达返回创建适当的结构阵列。

RadarreturnInput.time =（0:50）';RadarreturnInput.Signals（1）.values = ftrx;RadarreturnInput.Signals（1）.dimensions =尺寸（ftrx，2）;

从工作区导入信号数据：

有关更多详细信息，请参阅模拟负载信号数据（金宝appSimulink）。

模拟模型。

sim (SimMdlName);

当Inport块检测到观察时，它将观察指向分类VM预测块。你可以使用仿真数据检测器（金宝appSimulink）查看出口块的记录数据。