ClassificationECOCCoderConfigurer
使用二元学习器的多类模型的编码器配置器
描述
一个ClassificationECOCCoderConfigurer对象是多类纠错输出码分类模型(ECOC)的编码器配置器(ClassificationECOC或CompactClassificationECOC)，使用支持向量机(SV金宝appM)或线性二元学习器。
编码器配置器提供了方便的功能来配置代码生成选项，生成C/ c++代码，并在生成的代码中更新模型参数。
配置代码生成选项，并使用对象属性指定模型参数的编码器属性。
生成C/ c++代码
预测而且更新ECOC模型的功能generateCode．生成C/ c++代码需要MATLAB®编码器™．更新生成的C/ c++代码中的模型参数，而不必重新生成代码。当您使用新数据或设置重新训练模型时，此特性减少了重新生成、重新部署和重新验证C/ c++代码所需的工作。在更新模型参数之前，使用
validatedUpdateInputs验证并提取模型参数进行更新。
此流程图显示了使用编码器配置器的代码生成工作流。
的代码生成使用说明和多类ECOC分类模型的限制，请参阅的代码生成部分CompactClassificationECOC，预测,更新．
创建
利用支持向量机或线性二元学习器训练多类ECOC分类模型fitcecoc，为模型创建编码器配置器learnerCoderConfigurer．的编码器属性预测而且更新参数。然后,用generateCode根据指定的编码器属性生成C/ c++代码。
属性
预测参数
属性的编码器属性预测生成代码中的函数参数。
X- - - - - -预测器数据的编码器属性
LearnerCoderInput对象
编码器属性的预测器数据传递给生成的C/ c++代码预测ECOC分类模型的函数，指定为LearnerCoderInput对象。
类创建编码器配置程序时learnerCoderConfigurer函数，输入参数X属性的默认值LearnerCoderInput编码器属性:
SizeVector—默认值为输入的数组大小X．如果
价值属性。ObservationsIn属性。ClassificationECOCCoderConfigurer是“行”，然后这个SizeVector值是[n p],在那里n对应于观测数和p对应于预测器的数量。如果
价值属性。ObservationsIn属性。ClassificationECOCCoderConfigurer是“列”，然后这个SizeVector值是[p n]．
切换…的元素
SizeVector(例如，改变[n p]来[p n])，修改价值属性。ObservationsIn属性。ClassificationECOCCoderConfigurer相应的行动。您不能修改SizeVector直接价值。VariableDimensions—默认值为[0 0]，表示数组大小固定SizeVector．您可以将此值设置为
[1 0]如果SizeVector值是[n p]或[0 1]如果是的话[p n]，表示数组有可变大小的行和固定大小的列。例如,[1 0]的第一个值SizeVector（n)为行数的上限，为的第二个值SizeVector（p)为列数。数据类型—该值为单或双．默认数据类型取决于输入的数据类型X．可调谐性—必须为真正的，这意味着预测在生成的C/ c++代码中总是包含预测器数据作为输入。
可以使用点表示法修改编码器属性。例如，要生成接受三个预测变量(列)的100个观测值(行)的预测数据的C/ c++代码，指定的编码器属性为X对于编码器配置器配置：
configuration . x . sizevector = [100 3];configurer.X.DataType =“双”；configuration . x . variabledimensions = [0 0];
[0 0]的第一个和第二个维度X(分别为观察数和预测变量数)具有固定的大小。
要允许生成的C/ c++代码接受最多100个观测值的预测器数据，请指定这些编码器属性X：
configuration . x . sizevector = [100 3];configurer.X.DataType =“双”；configuration . x . variabledimensions = [10];
[1 0]的第一个维度X(观测数)具有可变大小和第二次维数X(预测变量的数量)有固定的大小。指定的观察数(在本例中为100)成为生成的C/ c++代码中允许的最大观察数。若要允许任意数量的观察，请将边界指定为正．
BinaryLoss- - - - - -二元学习器损失函数的编码器属性
EnumeratedInput对象
二元学习器损失函数的编码器属性(“BinaryLoss”的名称-值对参数预测)，指定为EnumeratedInput对象。
属性的默认属性值EnumeratedInput对象的默认值预测功能:
价值-二元学习器损失函数，指定为中的一个特征向量BuiltInOptions或者指定自定义函数名的字符向量。当二元学习器为支持向量机或支持向量机学习器的线性分类模型时，默认值为“枢纽”．如果二元学习器是逻辑回归学习器的线性分类模型，则默认值为“二次”．若要使用自定义选项，请在MATLAB搜索路径上定义自定义函数，并指定
价值作为自定义函数的名称。SelectedOption—该值为“内置”(默认)或“自定义”．软件集SelectedOption根据价值．该属性是只读的。BuiltInOptions-单元格阵列“汉明”，“线性”，“二次”，“指数”，“binodeviance”，“枢纽”,分对数的．该属性是只读的。IsConstant—必须为真正的．可调谐性—默认值为假．如果指定其他属性值时可调谐性是假，软件集可调谐性来真正的．
解码- - - - - -解码方案的编码器属性
EnumeratedInput对象
解码方案的编码器属性(“解码”的名称-值对参数预测)，指定为EnumeratedInput对象。
属性的默认属性值EnumeratedInput对象的默认值预测功能:
价值-解码方案值，指定为“lossweighted”(默认),“lossbased”，或LearnerCoderInput对象。如果你设置
IsConstant来假，然后软件就会改变价值到一个LearnerCoderInput对象，使用这些只读编码器属性值:SizeVector- - - - - -12 [1]VariableDimensions- - - - - -[0 1]数据类型- - - - - -“字符”可调谐性- 1
生成的代码中的输入是一个大小可变、可调的字符向量
“lossweighted”或“lossbased”．SelectedOption—该值为“内置”(默认)或“非常数的”．软件集SelectedOption根据价值．该属性是只读的。BuiltInOptions-单元格阵列“lossweighted”而且“lossbased”．该属性是只读的。IsConstant—默认值为真正的．如果将此值设置为假，软件变化价值到一个LearnerCoderInput对象。可调谐性—默认值为假．如果指定其他属性值时可调谐性是假，软件集可调谐性来真正的．
ObservationsIn- - - - - -预测器数据观测维的编码器属性
EnumeratedInput对象
预测器数据观测维的编码器属性(“ObservationsIn”的名称-值对参数预测)，指定为EnumeratedInput对象。
类创建编码器配置程序时learnerCoderConfigurer函数,“ObservationsIn”属性的默认值EnumeratedInput编码器属性:
价值—默认值是您在创建编码器配置器时使用的预测器数据观察维度，指定为“行”或“列”．如果您没有指定“ObservationsIn”在创建编码器配置器时，默认值为“行”．此值必须为
“行”用于使用SVM二元学习器的模型。SelectedOption—该值为always“内置”．该属性是只读的。BuiltInOptions-单元格阵列“行”而且“列”．该属性是只读的。IsConstant—必须为真正的．可调谐性- - - - - -默认值为假如果你指定“ObservationsIn”、“行”在创建编码器配置程序时，和真正的如果你指定“ObservationsIn”、“列”．如果你设置可调谐性来假，软件集价值来“行”．如果指定其他属性值时可调谐性是假，软件集可调谐性来真正的．
NumOutputs- - - - - -输出数预测
1(默认)|2|3.
类所生成的C/ c++代码返回的输出参数的个数预测ECOC分类模型的函数，指定为1、2或3。
的输出参数预测依次为:标签(预测类别标签)，NegLoss(负平均二进制损失)，和PBScore(positive-class分数)。预测在生成的C/ c++代码中返回第一个n本署的产出预测函数,n是NumOutputs价值。
在创建编码器配置器之后配置，您可以使用点表示法指定输出的数量。
配置。NumOutputs= 2;
的NumOutputs属性等价于“-nargout”编译器选项codegen(MATLAB编码器)．此选项指定代码生成的入口点函数中的输出参数数量。目标函数generateCode生成两个入口点函数-predict.m而且update.m为预测而且更新函数，并为这两个入口点函数生成C/ c++代码。属性的指定值NumOutputs属性对应于入口点函数中输出参数的数量predict.m．
数据类型:双
更新参数
属性的编码器属性更新生成代码中的函数参数。的更新函数接受一个训练过的模型和新的模型参数作为输入参数，并返回包含新参数的模型的更新版本。要在生成的代码中启用更新参数，您需要在生成代码之前指定参数的编码器属性。使用一个LearnerCoderInput对象指定每个参数的编码器属性。默认属性值基于输入参数中的模型参数Mdl的learnerCoderConfigurer．
BinaryLearners- - - - - -训练过的二进制学习器的编码器属性
ClassificationSVMCoderConfigurer对象|ClassificationLinearCoderConfigurer对象
经过训练的二元学习器的编码器属性(BinaryLearners的ECOC分类模型)，指定为ClassificationSVMCoderConfigurer对象(用于SVM二元学习器)或ClassificationLinearCoderConfigurer对象(用于线性二元学习器)。
使用更新SVM或线性编码器配置器对象的参数，以指定所有二进制学习器的编码器属性。
对于配置BinaryLearners，该软件只使用更新参数属性，并忽略对象的其他属性。
当你用SVM二元学习器训练ECOC模型时，每个学习器可以有不同数量的支持向量。金宝app因此，软件配置的默认属性值LearnerCoderInput对象α，金宝appSupportVectorLabels,金宝appSupportVectors根据输入参数容纳所有二进制学习器Mdl的learnerCoderConfigurer．
SizeVector这个值是
[s 1]为α而且金宝appSupportVectorLabels,在那里年代是二元学习器中支持向量数最多的。金宝app这个值是
(s p)为金宝appSupportVectors,在那里p是预测因子的数量。
VariableDimensions—该值为[0 0]或[1 0]．如果每个学习器具有相同数量的支持向量，则默认值为金宝app[0 0]．否则，此值必须为[1 0]．[0 0]中指定的固定数组大小SizeVector．[1 0]指示数组具有可变大小的行和固定大小的列。的第一个值SizeVector的上限是行数，第二个值是SizeVector是列数。
数据类型—该值为“单一”或“双”．默认数据类型与用于训练的训练数据的数据类型一致Mdl．可调谐性-如果你用线性核函数训练一个模型，并且模型存储线性预测系数(β)而没有支持向量和相关值，则金宝app此值必须为假．否则，此值必须为真正的．
关于另一个的细节更新参数,看到更新参数的ClassificationSVMCoderConfigurer而且更新参数的ClassificationLinearCoderConfigurer．
成本- - - - - -编码器属性的误分类代价
LearnerCoderInput对象
错误分类代价的编码器属性(成本的ECOC分类模型)，指定为LearnerCoderInput对象。
属性的默认属性值LearnerCoderInput对象的值均基于输入参数Mdl的learnerCoderConfigurer：
SizeVector—必须为(c c),在那里c是类的数量。VariableDimensions—必须为[0 0]，表示数组大小固定SizeVector．数据类型—该值为“单一”或“双”．默认数据类型与用于训练的训练数据的数据类型一致Mdl．可调谐性—默认值为真正的．
之前- - - - - -先验概率的编码器属性
LearnerCoderInput对象
先验概率的编码器属性(之前的ECOC分类模型)，指定为LearnerCoderInput对象。
属性的默认属性值LearnerCoderInput对象的值均基于输入参数Mdl的learnerCoderConfigurer：
SizeVector—必须为(1 c),在那里c是类的数量。VariableDimensions—必须为[0 0]，表示数组大小固定SizeVector．数据类型—该值为“单一”或“双”．默认数据类型与用于训练的训练数据的数据类型一致Mdl．可调谐性—默认值为真正的．
其他配置选项
OutputFileName- - - - - -生成的C/ c++代码的文件名
“ClassificationECOCModel”(默认)|特征向量
生成的C/ c++代码的文件名，指定为字符向量。
目标函数generateCode的ClassificationECOCCoderConfigurer使用此文件名生成C/ c++代码。
文件名不能包含空格，因为在某些操作系统配置中，空格可能导致代码生成失败。此外，名称必须是有效的MATLAB函数名。
在创建编码器配置器之后配置，可以使用点表示法指定文件名。
配置。OutputFileName =“myModel”；
数据类型:字符
详细的- - - - - -冗长的水平
真正的(逻辑1)(默认)|假(逻辑0)
详细级别，指定为真正的(逻辑1)或假(逻辑0).详细级别控制命令行上通知消息的显示。
| 价值 | 描述 |
|---|---|
真正的(逻辑1) |
当对参数的编码器属性的更改导致其他依赖参数的更改时，软件将显示通知消息。 |
假(逻辑0) |
该软件不显示通知消息。 |
要在生成的代码中更新机器学习模型参数，需要在生成代码之前配置参数的编码器属性。参数的编码器属性相互依赖，因此软件将依赖关系存储为配置约束。如果您使用编码器配置器修改一个参数的编码器属性，并且修改需要后续更改其他相关参数以满足配置约束，那么软件将更改相关参数的编码器属性。详细级别决定软件是否显示这些后续更改的通知消息。
在创建编码器配置器之后配置，可以使用点表示法修改详细级别。
配置。详细的= false;
数据类型:逻辑
代码生成自定义选项
要自定义代码生成工作流，请使用generateFiles函数与下面三个属性相结合codegen(MATLAB编码器)，而不是使用generateCode函数。
生成两个入口点函数文件后(predict.m而且update.m)使用generateFiles函数，您可以根据代码生成工作流修改这些文件。例如，可以修改predict.m文件中包含数据预处理，或者可以将这些入口点函数添加到另一个代码生成项目中。方法生成C/ c++代码codegen(MATLAB编码器)功能和codegen参数适用于修改后的入口点函数或代码生成项目。使用本节中描述的三个属性作为设置属性的起点codegen参数。
CodeGenerationArguments- - - - - -codegen参数
单元阵列
此属性是只读的。
codegen(MATLAB编码器)参数，指定为单元格数组。
此属性使您能够自定义代码生成工作流。使用generateCode函数，如果您不需要自定义工作流。
而不是使用generateCode使用编码器配置器配置，可以生成C/ c++代码，如下所示:
generateFiles(配置程序)cgArgs = configuration . codegenerationarguments;codegen (cgArgs {}):
cgArgs因此，在打电话之前codegen．
如果修改的其他属性配置时，软件更新CodeGenerationArguments相应的属性。
数据类型:细胞
PredictInputs- - - - - -的可调输入参数列表预测
单元阵列
此属性是只读的。
入口点函数的可调输入参数列表predict.m用于代码生成，指定为单元格数组。单元格数组包含另一个单元格数组，包含编码器。PrimitiveType(MATLAB编码器)对象和编码器。常数(MATLAB编码器)对象。
的编码器属性预测参数，则软件将相应的对象进行更新。如果您指定可调谐性属性是假，然后软件将对应的对象从PredictInputs列表。
中的单元格数组PredictInputs等于配置。CodeGenerationArguments {6}对于编码器配置器配置．
数据类型:细胞
UpdateInputs- - - - - -的可调输入参数列表更新
单元阵列
此属性是只读的。
入口点函数的可调输入参数列表update.m用于代码生成，指定为结构的单元格数组。该结构包括编码器。CellType(MATLAB编码器)对象BinaryLearners而且编码器。PrimitiveType(MATLAB编码器)对象成本而且之前．
的编码器属性更新参数，则软件将相应的对象进行更新。如果您指定可调谐性属性是假，然后软件将对应的对象从UpdateInputs列表。
的结构UpdateInputs等于配置。CodeGenerationArguments {3}对于编码器配置器配置．
数据类型:细胞
对象的功能
generateCode |
使用编码器配置器生成C/ c++代码 |
generateFiles |
生成MATLAB使用编码器配置器生成代码的文件 |
validatedUpdateInputs |
验证并提取机器学习模型参数进行更新 |
例子
使用编码器配置器生成代码
训练一个机器学习模型，然后生成代码预测而且更新通过使用编码器配置器实现模型的功能。
加载Fisher的虹膜数据集，并使用SVM二元学习器训练一个多类ECOC模型。
负载fisheririsX = meas;Y =物种;Mdl = fitcecoc(X,Y);
Mdl是一个ClassificationECOC对象。
属性的编码器配置程序ClassificationECOC通过使用learnerCoderConfigurer．指定预测器数据X．的learnerCoderConfigurer函数使用输入X属性的编码器属性预测函数的输入。
configurer = learnerCoderConfigurer(Mdl,X)
配置器= ClassificationECOCCoderConfigurer属性:更新输入:BinaryLearners: [1x1 ClassificationSVMCoderConfigurer]优先:[1x1 LearnerCoderInput]成本:[1x1 LearnerCoderInput]预测输入:X: [1x1 LearnerCoderInput]代码生成参数:NumOutputs: 1 OutputFileName: 'ClassificationECOCModel'属性，方法
配置是一个ClassificationECOCCoderConfigurer对象的编码器配置器ClassificationECOC对象。
要生成C/ c++代码，您必须能够访问配置正确的C/ c++编译器。MATLAB Coder定位并使用支持的，已安装的编译器。金宝app你可以使用墨西哥人设置查看和更改默认编译器。详情请参见更改默认编译器．
为预测而且更新ECOC分类模型的函数(Mdl)。
generateCode(配置)
generateCode在output文件夹中创建这些文件:米”、“预测。米”、“更新。米”、“ClassificationECOCModel。代码生成成功。
的generateCode函数完成以下操作:
生成生成代码所需的MATLAB文件，包括两个入口点函数
predict.m而且update.m为预测而且更新的功能Mdl,分别。创建一个名为
ClassificationECOCModel对于两个入口函数。中为MEX函数创建代码
codegen \墨西哥人\ ClassificationECOCModel文件夹中。将MEX函数复制到当前文件夹。
控件的内容predict.m，update.m,initialize.m文件，使用类型函数。
类型predict.m
函数varargout = predict(X,varargin) %#codegen %由MATLAB自动生成，26- 11月2022 10:09:39 [varargout{1:nargout}] =初始化('predict'，X,varargin{:});结束
类型update.m
函数更新(varargin) %#codegen %由MATLAB自动生成，26-Nov-2022 10:09:39初始化('update'，varargin{:});结束
类型initialize.m
function [varargout] = initialize(command,varargin) %#codegen %由MATLAB自动生成，26-Nov-2022 10:09:39 code .inline('always')持久化模型if isempty(model) model = loadLearnerForCoder('ClassificationECOCModel.mat');end switch(command) case 'update' %更新结构字段:BinaryLearners % Prior % Cost model = update(model,varargin{:});预测输入:X X = varargin{1};if nargin == 2 [varargout{1:nargout}] = predict(模型，X);else PVPairs = cell(1,nargin-2);如果i = 1:nargin-2 pvairs {1,i} = varargin{i+1};end [varargout{1:nargout}] = predict(model,X,PVPairs{:});结束结束
生成代码中ECOC分类模型参数的更新
使用SVM二元学习器训练一个纠错输出代码(ECOC)模型，并为该模型创建一个编码器配置器。使用编码器配置器的属性指定ECOC模型参数的编码器属性。使用编码器配置器的object函数生成C代码，为新的预测器数据预测标签。然后使用不同的设置重新训练模型，并在不重新生成代码的情况下更新生成代码中的参数。
火车模型
加载费雪的虹膜数据集。
负载fisheririsX = meas;Y =物种;
创建支持向量机二进制学习器模板，使用高斯核函数并标准化预测器数据。
t = templateSVM(“KernelFunction”，“高斯”，“标准化”,真正的);
使用模板训练一个多类ECOC模型t．
Mdl = fitcecoc(X,Y，“学习者”t);
Mdl是一个ClassificationECOC对象。
创建编码器配置器
属性的编码器配置程序ClassificationECOC通过使用learnerCoderConfigurer．指定预测器数据X．的learnerCoderConfigurer函数使用输入X属性的编码器属性预测函数的输入。类的前两个输出，将输出的数量设置为2预测函数，它们是预测的标签和负的平均二进制损失。
configurer = learnerCoderConfigurer(Mdl,X，“NumOutputs”，2)
配置器= ClassificationECOCCoderConfigurer属性:更新输入:BinaryLearners: [1x1 ClassificationSVMCoderConfigurer]优先:[1x1 LearnerCoderInput]成本:[1x1 LearnerCoderInput]预测输入:X: [1x1 LearnerCoderInput]代码生成参数:NumOutputs: 2 OutputFileName: 'ClassificationECOCModel'属性，方法
配置是一个ClassificationECOCCoderConfigurer对象的编码器配置器ClassificationECOC对象。的可调输入参数预测而且更新：X，BinaryLearners，之前,成本．
指定参数的编码器属性
的编码器属性预测参数(预测器数据和名值对参数“解码”而且“BinaryLoss”),更新参数(支持向量机学习器金宝app的支持向量)，以便您可以使用这些参数作为的输入参数预测而且更新在生成的代码中。
首先，指定的编码器属性X这样生成的代码就可以接受任意数量的观察值。修改SizeVector而且VariableDimensions属性。的SizeVector属性指定预测器数据大小的上限，而VariableDimensions属性指定预测器数据的每个维度的大小是可变的还是固定的。
configuration . x . sizevector = [Inf 4];configuration . x . variabledimensions = [true false];
第一个维度的大小是观测的数量。在本例中，代码指定大小的上限为正大小是可变的，这意味着X可以有任意数量的观测值。如果在生成代码时不知道观察数，则此规范非常方便。
第二个维度的大小是预测变量的数量。对于机器学习模型，这个值必须固定。X的第二个值包含4个预测器SizeVector属性的第二个值必须为4VariableDimensions属性必须为假．
的编码器属性BinaryLoss而且解码使用“BinaryLoss”而且“解码”生成的代码中的名称-值对参数。的编码器属性BinaryLoss．
配置。BinaryLoss
ans = EnumeratedInput with properties: Value: 'hinge' SelectedOption: '内置' BuiltInOptions: {1x7 cell} IsConstant: 1可调性:0
若要在生成的代码中使用非默认值，必须在生成代码之前指定该值。指定价值的属性BinaryLoss作为“指数”．
configurer.BinaryLoss.Value =“指数”；配置。BinaryLoss
ans = EnumeratedInput with properties: Value: 'exponential' SelectedOption: '内置' BuiltInOptions: {1x7 cell} IsConstant: 1可调性:1
如果修改属性值时可调谐性是假(逻辑0)，软件设置可调谐性来真正的(逻辑1)。
的编码器属性解码．
配置。解码
ans = EnumeratedInput with properties: Value: ' los加权' SelectedOption: '内置' BuiltInOptions: {' los加权' 'loss - based'} IsConstant: 1可调性:0
指定IsConstant的属性解码作为假这样你就可以使用所有可用的值BuiltInOptions在生成的代码中。
configuration . decoding . isconstant = false;配置。解码
ans = EnumeratedInput带属性:值:[1x1 LearnerCoderInput] SelectedOption: 'NonConstant' BuiltInOptions: {' los加权' 'loss - based'} IsConstant: 0可调性:1
软件改变了价值的属性解码到一个LearnerCoderInput对象，以便您可以同时使用两者“lossweighted”而且“lossbased的值“解码”．此外，该软件设置SelectedOption来“非常数的”和可调谐性来真正的．
的编码器属性金宝appSupportVectors在BinaryLearners．的编码器属性金宝appSupportVectors．
configurer.BinaryLearners.金宝appSupportVectors
ans = LearnerCoderInput with properties: SizeVector: [54 4] VariableDimensions: [1 0] DataType: 'double
的默认值VariableDimensions是(真假)因为每个学习器都有不同数量的支持向量。金宝app如果您使用新的数据或不同的设置重新训练ECOC模型，SVM学习器中的支持向量的数量可能会有所不同。金宝app因此，增大支持向量个数的上限。金宝app
configuration . binarylear金宝appners . supportvectors . sizevector = [150 4];
Alpha的SizeVector属性已被修改以满足配置约束。SupportVectorLabels的SizeV金宝appector属性已被修改以满足配置约束。
的编码器属性金宝appSupportVectors，然后软件修改的编码器属性α而且金宝appSupportVectorLabels满足配置约束。如果修改一个参数的编码器属性需要后续修改其他相关参数以满足配置约束，那么软件将更改相关参数的编码器属性。
显示编码器配置器。
配置
配置器= ClassificationECOCCoderConfigurer属性:更新输入:BinaryLearners: [1x1 ClassificationSVMCoderConfigurer]优先:[1x1 LearnerCoderInput]成本:[1x1 LearnerCoderInput]预测输入:X: [1x1 LearnerCoderInput] BinaryLoss: [1x1 EnumeratedInput]解码:[1x1 EnumeratedInput]代码生成参数:NumOutputs: 2 OutputFileName: 'ClassificationECOCModel'属性，方法
现在显示包括BinaryLoss而且解码也
生成代码
要生成C/ c++代码，您必须能够访问配置正确的C/ c++编译器。MATLAB Coder定位并使用支持的，已安装的编译器。金宝app你可以使用墨西哥人设置查看和更改默认编译器。详情请参见更改默认编译器．
为预测而且更新ECOC分类模型的函数(Mdl）.
generateCode(配置)
generateCode在output文件夹中创建这些文件:米”、“预测。米”、“更新。米”、“ClassificationECOCModel。代码生成成功。
的generateCode函数完成以下操作:
生成生成代码所需的MATLAB文件，包括两个入口点函数
predict.m而且update.m为预测而且更新的功能Mdl,分别。创建一个名为
ClassificationECOCModel对于两个入口函数。中为MEX函数创建代码
codegen \墨西哥人\ ClassificationECOCModel文件夹中。将MEX函数复制到当前文件夹。
验证生成的代码
通过一些预测数据来验证是否正确预测的函数Mdl和预测在MEX函数中的函数返回相同的标签。若要在具有多个入口点的MEX函数中调用入口点函数，请将函数名指定为第一个输入参数。因为你指定了“解码”作为可调的输入参数IsConstant属性在生成代码之前，您还需要在对MEX函数的调用中指定它“lossweighted”是否默认为“解码”．
[label,NegLoss] = predict(Mdl,X，“BinaryLoss”，“指数”）;[label_mex, neglos_mex] = ClassificationECOCModel(“预测”, X,“BinaryLoss”，“指数”，“解码”，“lossweighted”）;
比较标签来label_mex通过使用isequal．
label_mex isequal(标签)
ans =逻辑1
isequal返回逻辑1 (真正的)如果所有输入都相等。这一比较证实了预测的函数Mdl和预测在MEX函数中的函数返回相同的标签。
NegLoss_mex可能包括四舍五入的差异比较NegLoss．在这种情况下，比较一下NegLoss_mex来NegLoss，允许一个小的公差。
find(abs(negloss - neglo_mex) > 1e-8)
Ans = 0x1空双列向量
这个比较证实了NegLoss而且NegLoss_mex在容忍范围内是否相等1 e-8．
重新训练模型和更新生成代码中的参数
使用不同的设置重新训练模型。指定“KernelScale”作为“汽车”这样软件就可以使用启发式程序来选择一个合适的比例因子。
t_new = templateSVM“KernelFunction”，“高斯”，“标准化”,真的,“KernelScale”，“汽车”）;retrainedMdl = fitcecoc(X,Y，“学习者”, t_new);
通过使用提取要更新的参数validatedUpdateInputs．该函数检测中修改的模型参数retrainedMdl并验证修改后的参数值是否满足参数的编码器属性。
params = validatedUpdateInputs(配置器，retrainedMdl);
更新生成代码中的参数。
ClassificationECOCModel (“更新”params)
验证生成的代码
的输出进行比较预测的函数retrainedMdl的输出预测在更新后的MEX函数中。
[label,NegLoss] = predict(retrainedMdl,X，“BinaryLoss”，“指数”，“解码”，“lossbased”）;[label_mex, neglos_mex] = ClassificationECOCModel(“预测”, X,“BinaryLoss”，“指数”，“解码”，“lossbased”）;label_mex isequal(标签)
ans =逻辑1
find(abs(negloss - neglo_mex) > 1e-8)
Ans = 0x1空双列向量
这个比较证实了标签而且label_mex相等，并且NegLoss而且NegLoss_mex在容忍范围内是相等的。
更多关于
LearnerCoderInput对象
编码器配置器使用LearnerCoderInput对象指定的编码器属性预测而且更新输入参数。
一个LearnerCoderInput对象具有以下属性，用于在生成的代码中指定输入参数数组的属性。
| 属性名称 | 描述 |
|---|---|
SizeVector |
数组大小，如果对应 数组大小的上界，如果对应 |
VariableDimensions |
指示符，指定数组的每个维度是具有可变大小还是固定大小，指定为
|
数据类型 |
数组的数据类型 |
可调谐性 |
指示是否存在的指标 如果指定其他属性值时 |
创建编码器配置器后，可以使用点表示法修改编码器属性。例如，指定系数的编码器属性α在BinaryLearners编码器配置器的配置：
configuration . binarylearners . alpha . sizevector = [100 1];configuration . binarylearners . alpha . variabledimensions = [1 0];configurer.BinaryLearners.Alpha.DataType =“双”；
详细的),真正的(默认)，则当您修改机器学习模型参数的编码器属性，且该修改更改了其他依赖参数的编码器属性时，软件将显示通知消息。
EnumeratedInput对象
编码器配置程序使用EnumeratedInput对象指定的编码器属性预测具有有限可用值集的输入参数。
一个EnumeratedInput对象具有以下属性，用于在生成的代码中指定输入参数数组的属性。
| 属性名称 | 描述 |
|---|---|
价值 |
的值
的默认值 |
SelectedOption |
所选选项的状态，指定为
该属性是只读的。 |
BuiltInOptions |
对应的可用字符向量的列表 该属性是只读的。 |
IsConstant |
指示符，指定数组值是否为编译时常量( 如果将此值设置为 |
可调谐性 |
指示是否存在的指标 如果指定其他属性值时 |
创建编码器配置器后，可以使用点表示法修改编码器属性。例如，指定的编码器属性BinaryLoss编码器配置器的配置：
configurer.BinaryLoss.Value =“线性”；
版本历史
在R2019a中引入
MATLAB命令
你点击了一个对应于这个MATLAB命令的链接:
在MATLAB命令窗口中输入该命令来运行该命令。Web浏览器不支持MATLAB命令。金宝app
您也可以从以下列表中选择一个网站:
如何获得最佳的网站性能
选择中国站点(中文或英文)以获得最佳站点性能。其他MathWorks国家站点没有针对您所在位置的访问进行优化。