预处理数据和火车SVM分类器

加载耐心数据集。使用该表创建一个表舒张和收缩系统数字变量。表的每一行对应于不同的患者。

加载耐心TBL =表（舒张，收缩）;头（TBL）

ans =.8×2表舒张式收缩__________________ 93 124 77 109 83 125 75 117 80 122 70 121 88 130 82 115

转换性别变量到A.分类多变的。类别的顺序类别很重要，因为它确定了预测器数据中列的顺序。用戴维尔将分类变量转换为零的矩阵和其中的矩阵1价值在（I，J）进入表示一世患者属于j类别。

分类哥剂=分类（性别）;OrderGender =类别（类别）

OrderGender =.2x1细胞{'女人男人' }

dummygender = dummyvar（类别）;

笔记：所结果的DummyGender.矩阵是排名缺陷。根据您训练的型号类型，这个等级缺陷可能是有问题的。例如，在培训线性模型时，删除虚拟变量的第一列。

创建包含虚拟变量的表DummyGender.使用相应的可变标题。将这张新表结合在一起TBL.。

tblgender = Array2Table（Dummygender，'variablenames'，订单）;tbl = [tbl tblgender];头（TBL）

ans =.8×4表舒张收缩雌性男性_________ ___________________ 93 124 0 1 77 109 0 1 83 125 1 0 75 117 1 0 80 122 1 0 70 121 11 0 88 130 1 0 82 115 0 1

转换Selfassessedhealthstatus.变量到A.分类多变的。注意类别的顺序分类健康，并使用数字矩阵将变量转换为戴维尔。

分类健康=分类（SelfassessedHealthStatus）;OrderHealth =类别（分类医疗）

OrderHealth =.4x1细胞{'feater'} {'fair'} {'好'} {'穷'}

DummyHealth = Dummyvar（分类健康）;

创建一个包含的表DummyHealth.使用相应的可变标题。将这张新表结合在一起TBL.。

TBLHealth = Array2Table（DummyHealth，'variablenames'，oriterhealth）;tbl = [tbl tblhealth];头（TBL）

ans =.8×8表舒张性收缩女性男性优秀公平差_________ ___________________________________ 93 124 0 1 0 0 1 0 0 0 0 83 125 11 0 0 0 1 0 0 0 8 3 117 1 0 0 1 0 0 0 8 3 117 1 0 0 1 0 0 0 80 1221 0 0 0 1 0 70 121 1 0 0 0 1 0 88 130 1 0 0 0 1 0 82 115 0 1 0 0 1 0

第三行TBL.例如，对应于具有这些特性的患者：舒张压血压为83，收缩压125，女性和良好的自我评估的健康状况。

因为所有的价值TBL.是数字，可以将表转换为矩阵X。

x = table2Array（TBL）;

使用SVM分类器使用X。指定吸烟者变量作为响应。

Y =吸烟者;mdl = fitcsvm（x，y）;

生成C / C ++代码

生成加载SVM分类器的代码，将新的预测器数据作为输入参数，然后对新数据进行分类。

使用使用的文件将SVM分类器保存到文件中Savelarnerforcoder.。

SavelAlnerForCoder（MDL，'svmclassifier'）

Savelarnerforcoder.将分类器保存到MATLAB®二进制文件svmclassifier.mat.作为当前文件夹中的结构阵列。

定义入口点函数mysvmpredict.，将新的预测器数据作为输入参数。在函数中，使用使用加载SVM分类器loadlearnerforcoder.，然后将加载的分类器传递给预测。

功能label = mysvmpredict（x）％＃codegen.mdl = loadlearnerforcoder（'svmclassifier'）;标签=预测（MDL，x）;结尾

生成代码mysvmpredict.通过使用Codegen.。通过使用指定新预测器数据的数据类型和维度Coder.typeof.因此，生成的代码接受可变大小的数组。

Codegen.mysvmpredict.-  args.{coder.typeof（X，[INF 8]，[1 0]）}

代码成功。

验证mysvmpredict.并且MEX文件返回培训数据的相同结果。

标签=预测（MDL，x）;mylabel = mysvmpredict（x）;mylabel_mex = mysvmpredict_mex（x）;验证ex = isequal（标签，mylabel，mylabel_mex）

验证ex =.逻辑1

预测新数据标签

要预测新数据标签，您必须先预处理新数据。如果在MATLAB环境中运行生成的代码，则可以遵循本节中描述的预处理步骤。如果您在MATLAB环境之外部署生成的代码，则预处理步骤可能会有所不同。在任何一种情况下，您必须确保新数据具有与培训数据相同的列X。

在这个例子中，采取第三，第四和第五名患者耐心数据集。预处理这些患者的数据，以便得到的数字矩阵与训练数据的形式匹配。

将分类变量转换为虚拟变量。由于新的观察可能不包含所有类别的值，因此您需要将与培训期间使用的类别指定相同的类别，并保持相同的类别顺序。在MATLAB中，通过与相应的培训数据变量关联的类别名称的有序小区数组（在此示例中，订单对于性别价值观和OrderHealth.用于自我评估的健康状况值）。

newcategoricalgender =分类（性别（3：5），Orivergender）;newdummygender = dummyvar（newcategoricalgender）;New类别河流=分类（SelfassessedHealthStatus（3：5），OrderHealth）;newdummyhealth = dummyvar（new类别健康）;

将所有新数据组合成一个数字矩阵。

newx = [舒张（3：5）收缩（3：5）newdummygender newdummyhealth]

newx =3×8.83 125 1 0 0 0 1 0 75 117 1 0 0 0 0 0 80 122 1 0 0 0 1 0

注意新兴对应于矩阵的第三，第四和第五行X。

验证mysvmpredict.MEX文件返回新数据的相同结果。

newlabel =预测（mdl，newx）;newmylabel = mysvmpredict（newx）;newmylabel_mex = mysvmpredict_mex（newx）;newverifymex = isequal（newlabel，newmylabel，newmylabel_mex）

newverifymex =逻辑1