更新代码生成的模型参数
为应用程序生成C/C++代码预测
和更新
使用编码器配置器对象的机器学习模型的功能。通过使用创建此对象Learnercoderconfigurer
和它的目标函数生成代码
.然后你可以使用更新
函数来更新生成的代码中的模型参数,而无需重新生成代码。当您使用新数据或设置重新训练模型时,该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。
此流程图显示了使用编码器配置器的代码生成工作流。使用更新
为突出显示的步骤。
如果不生成代码,则不需要使用更新
函数。当你在MATLAB中重新训练一个模型®,则返回的模型已经包含修改后的参数。
返回的更新版本updatedMdl
=更新(Mdl
,参数个数
)Mdl
包含新参数参数个数
.
在重新培训一个模型后,使用validatedUpdateInputs
函数检测重新训练的模型中修改的参数,并验证修改后的参数值是否满足参数的编码器属性。使用的输出validatedUpdateInputs
,作为输入参数个数
更新模型参数。
使用部分数据集训练SVM模型,并为模型创建编码器配置器。使用编码器配置器的属性指定SVM模型参数的编码器属性。使用编码器配置器的目标函数生成预测新预测数据标签的C代码。然后使用整个数据集a重新训练模型nd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
加载电离层
数据集。该数据集有34个预测器和351个雷达返回的二进制响应,或坏(“b”
)或好(‘g’
).使用前50个观测值训练二值支持向量机分类模型。
负载电离层mdl = fitcsvm(x(1:50,:),y(1:50));
Mdl
是一个分类VM.
对象。
创建编码器配置
为应用程序创建编码器配置器分类VM.
模型通过使用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。此外,将输出的数量设置为2,以便生成的代码返回预测的标签和分数。
配置= learnerCoderConfigurer (Mdl X (1:50,:)“NumOutputs”2);
配置程序
是一个ClassificationSVMCoderConfigurer
对象的编码配置器分类VM.
对象。
指定参数的编码器属性
指定SVM分类模型参数的编码器属性,以便在重新训练模型后更新生成代码中的参数。此示例指定要传递到生成代码的预测器数据的编码器属性以及SVM模型支持向量的编码器属性。金宝app
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。修改SizeVector
和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是具有可变大小还是固定大小。
configuration . x . sizevector = [Inf 34];configurer.X.VariableDimensions = [true false];
第一个维度的大小是观测的次数。在本例中,代码指定大小的上限为INF.
而且大小是可变的,这意味着X
可以有任意数量的观察结果。如果您在生成代码时不知道观察的数量,那么这个规范很方便。
第二个维度的大小是预测变量的数量。对于机器学习模型,这个值必须是固定的。X
包含34个预测器,因此SizeVector
属性的值必须为34VariableDimensions
属性必须假
.
如果使用新的数据或不同的设置重新训练SVM模型,支持向量的数量可能会有所不同。金宝app因此,指定的编码器属性金宝appSupportVectors
这样您就可以更新生成代码中的支持向量。金宝app
configurati金宝appon . supportvectors . sizevector = [250 34];
Alpha的SizeVector属性已被修改以满足配置约束。修改了SupportVectorLabels的Si金宝appzeVector属性以满足配置约束。
configurer.金宝appSupportVectors.VariableDimensions = [true false];
已修改Alpha的VariableDimensions属性以满足配置约束。修改了SupportVectorLabels的VariableDi金宝appmensions属性以满足配置约束。
如果修改编码器属性金宝appSupportVectors
,然后软件修改的编码器属性α
和金宝appSupportVectorLabels
以满足配置约束。如果修改一个参数的编码器属性需要随后更改其他相关参数以满足配置约束,则软件更改相关参数的编码器属性。
生成代码
要生成C/ c++代码,您必须访问配置正确的C/ c++编译器。MATLAB编码器定位并使用一个受支持的、安装的编译器。金宝app您可以使用墨西哥人
设置
查看和更改默认编译器。有关详细信息,请参见改变默认的编译器.
使用生成代码
生成的代码预测
和更新
SVM分类模型的函数(Mdl
)默认设置。
generateCode(配置)
generateCode在输出文件夹中创建这些文件:米”、“预测。米”、“更新。米”、“ClassificationSVMModel。代码生成成功。
生成代码
生成生成代码所需的MATLAB文件,包括两个入口点函数预测
和update.m
为了预测
和更新
的功能Mdl
,分别。然后生成代码
创建一个名为ClassificationsVMModel.
的两个入口点函数codegen \墨西哥人\ ClassificationSVMModel
文件夹并将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预测
的函数Mdl
和预测
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。
(标签,分数)=预测(Mdl X);[label_mex, score_mex] = ClassificationSVMModel (“预测”, X);
比较标签
和label_mex
通过使用isequal
.
isequal(标签,标签)
ans =逻辑1
isequal
返回逻辑1(真正的
),如果所有输入相等。比较证实了预测
的函数Mdl
和预测
函数中返回相同的标签。
score_mex
可能包括与之相比的四舍五入差异分数
.在这种情况下,比较score_mex
和分数
,允许有一个小的公差。
查找(ABS(得分 - 得分_MEX)> 1E-8)
Ans = 0x1空双列向量
对比证实了分数
和score_mex
在公差内是相等的吗1E-8
.
培训模型和生成代码中的更新参数
使用整个数据集重新训练模型。
再培训DMDL=fitcsvm(X,Y);
使用提取要更新的参数validatedUpdateInputs
.该函数检测修改后的模型参数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、retrainedMdl);
更新生成代码中的参数。
分类模型(“更新”params)
验证生成的代码
的输出比较预测
的函数retrainedMdl
和预测
函数。
(标签,分数)=预测(retrainedMdl X);[label_mex, score_mex] = ClassificationSVMModel (“预测”,X);等质量(标签,标签)
ans =逻辑1
查找(ABS(得分 - 得分_MEX)> 1E-8)
Ans = 0x1空双列向量
对比证实了标签
和labels_mex
是相等的,并且在容忍范围内得分值是相等的。
使用支持向量机二进制学习器训练纠错输出码(ECOC)模型,并为该模型创建编码器配置器。使用编码器配置器的属性来指定ECOC模型参数的编码器属性。使用编码器配置器的对象函数生成C代码,用于预测新的预测数据的标签。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
装载Fisher的Iris数据集。
负载fisheririsX=多边环境协定;Y=物种;
创建一个支持向量机二元学习模板,使用高斯核函数和标准化预测数据。
t=模板SVM(“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
为应用程序创建编码器配置器ClassificationECOC
模型通过使用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。此外,将输出的数量设置为2,以便生成的代码返回预测
功能,是预测标签和否定平均二进制损失。
配置= learnerCoderConfigurer (Mdl X,“NumOutputs”,2)
configurer=ClassificationeCoderConfigurer with properties:更新输入:BinaryLearners:[1x1 ClassificationVMCoderConfigurer]Previor:[1x1 LearnerCoderInput]成本:[1x1 LearnerCoderInput]预测输入:X:[1x1 LearnerCoderInput]代码生成参数:numoutput:2输出文件名:“ClassificationeCodel”属性、方法
配置程序
是一个ClassificationECOCCoderConfigurer
对象的编码配置器ClassificationECOC
对象。的可调参数预测
和更新
: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(预测器数据和名称-值对参数)“解码”
和“BinaryLoss”
)及更新
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
和更新
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。修改SizeVector
和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是具有可变大小还是固定大小。
[Inf 4];configurer.X.VariableDimensions = [true false];
第一个维度的大小是观测的次数。在本例中,代码指定大小的上限为INF.
而且大小是可变的,这意味着X
可以有任意数量的观察结果。如果您在生成代码时不知道观察的数量,那么这个规范很方便。
第二个维度的大小是预测变量的数量。对于机器学习模型,这个值必须是固定的。X
包含4个预测因子,所以第二个值SizeVector
属性必须为4和第二个值VariableDimensions
属性必须假
.
接下来,修改的编码器属性BinaryLoss
和解码
用来“BinaryLoss”
和“解码”
生成的代码中的名称-值对参数。的编码属性BinaryLoss
.
配置。BinaryLoss
ans=EnumeratedInput,属性为:值:“铰链”SelectedOption:“内置”内置选项:{1x7单元}IsConstant:1可调性:0
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值。指定价值
的属性BinaryLoss
作为“指数”
.
configurer.BinaryLoss.Value =“指数”;配置。BinaryLoss
ans = EnumeratedInput与属性:值:'指数' SelectedOption: '内置' BuiltInOptions: {1x7 cell} IsConstant: 1可调性:1
如果您在何时修改属性值可调谐性
是假
(逻辑0),软件设置可调谐性
来真正的
(逻辑1)。
的编码属性解码
.
配置。解码
ans=EnumeratedInput,属性为:Value:'LossWighted'SelectedOption:'Buildin'内置选项:{'LossWighted''lossbased'}IsConstant:1可调性:0
指定IsConstant
的属性解码
作为假
以便使用。中的所有可用值BuiltInOptions
在生成的代码中。
configurer.Decoding.IsConstant = false;配置。解码
ans = EnumeratedInput的属性:值:[1x1 LearnerCoderInput] SelectedOption: 'NonConstant' BuiltInOptions: {' lossweightight ' ' losssbased '} IsConstant: 0可调性:1
软件改变了价值
的属性解码
到A.LearnerCoderInput
对象,以便两者都可以使用“lossweighted”
和“lossbased
的价值“解码”
.此外,软件设置选择选项
来“非常数的”
和可调谐性
来真正的
.
最后,修改的编码器属性金宝appSupportVectors
在BinaryLearners
.的编码属性金宝appSupportVectors
.
configur.binarylearners.su金宝apppportVectors.
ans=LearnerCoderInput,属性为:SizeVector:[54 4]VariableDimensions:[1 0]数据类型:“double”可调性:1
默认值VariableDimensions
是(真假)
因为每个学习者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,增大支持向量数目的上界。金宝app
configurer.BinaryLearners.金宝appSupportVectors.SizeVector = [150 4];
Alpha的SizeVector属性已被修改以满足配置约束。修改了SupportVectorLabels的Si金宝appzeVector属性以满足配置约束。
如果修改编码器属性金宝appSupportVectors
,然后软件修改的编码器属性α
和金宝appSupportVectorLabels
以满足配置约束。如果修改一个参数的编码器属性需要随后更改其他相关参数以满足配置约束,则软件更改相关参数的编码器属性。
显示编码器配置器。
配置程序
配置= ClassificationECOCCoderConfigurer属性:更新输入:BinaryLearners:之前[1 x1 ClassificationSVMCoderConfigurer]: [1 x1 LearnerCoderInput]成本:[1 x1 LearnerCoderInput]预测输入:X: [1 x1 LearnerCoderInput] BinaryLoss: [1 x1 EnumeratedInput]解码:[1 x1 EnumeratedInput]代码生成参数:NumOutputs:2 OutputFileName: 'ClassificationECOCModel'属性,方法
现在显示包括BinaryLoss
和解码
也
生成代码
要生成C/ c++代码,您必须访问配置正确的C/ c++编译器。MATLAB编码器定位并使用一个受支持的、安装的编译器。金宝app您可以使用墨西哥人
设置
查看和更改默认编译器。有关详细信息,请参见改变默认的编译器.
为预测
和更新
ECOC分类模式的功能(Mdl
).
generateCode(配置)
generateCode在输出文件夹中创建这些文件:米”、“预测。米”、“更新。米”、“ClassificationECOCModel。代码生成成功。
的生成代码
函数完成这些操作:
生成生成代码所需的MATLAB文件,包括两个入口点函数预测
和update.m
为了预测
和更新
的功能Mdl
,分别。
创建一个名为classificationcocmodel.
对于两个入口点函数。
控件中创建MEX函数的代码codegen\mex\ClassificationeCOModel
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预测
的函数Mdl
和预测
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。因为您指定了“解码”
作为可调参数,通过更改IsConstant
在生成代码之前的属性,您还需要在对MEX函数的调用中指定它,即使“lossweighted”
默认值是“解码”
.
[标签,NegLoss] =预测(Mdl X,“BinaryLoss”,“指数”);[label_mex,delcolloss_mex] = classificationecocmodel(“预测”, X,“BinaryLoss”,“指数”,“解码”,“lossweighted”);
比较标签
来label_mex
通过使用isequal
.
isequal(标签,标签)
ans =逻辑1
isequal
返回逻辑1(真正的
),如果所有输入相等。比较证实了预测
的函数Mdl
和预测
函数中返回相同的标签。
opoloss_mex.
可能包括舍入差异与NegLoss
.在这种情况下,比较opoloss_mex.
来NegLoss
,允许有一个小的公差。
找到(abs (NegLoss-NegLoss_mex) > 1 e-8)
Ans = 0x1空双列向量
对比证实了NegLoss
和opoloss_mex.
在公差内是相等的吗1E-8
.
培训模型和生成代码中的更新参数
使用不同的设置重新训练模型。指定“KernelScale”
作为“汽车”
因此,该软件采用启发式的方法选择合适的比例因子。
t_new = templateSVM (“KernelFunction”,“高斯”,“标准化”,真的,“KernelScale”,“汽车”);RetrowingMDL = FitCecoc(X,Y,“学习者”, t_new);
使用提取要更新的参数validatedUpdateInputs
.该函数检测修改后的模型参数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、retrainedMdl);
更新生成代码中的参数。
ClassificationECOCModel (“更新”params)
验证生成的代码
的输出比较预测
的函数retrainedMdl
从预测
函数。
[label,NegLoss]=预测(重新训练的DMDL,X,“BinaryLoss”,“指数”,“解码”,“lossbased”);[label_mex,delcolloss_mex] = classificationecocmodel(“预测”, X,“BinaryLoss”,“指数”,“解码”,“lossbased”);isequal(标签,标签)
ans =逻辑1
找到(abs (NegLoss-NegLoss_mex) > 1 e-8)
Ans = 0x1空双列向量
对比证实了标签
和label_mex
是相等的,NegLoss
和opoloss_mex.
在公差范围内是相等的。
使用部分数据集训金宝app练支持向量机(SVM)模型,并为模型创建编码器配置器。使用编码器配置器的属性来指定支持向量机模型参数的编码器属性。使用编码器配置器的对象函数来生成C代码,用于预测新的预测器数据的响应。然后使用整个数据集重新训练模型,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carsmall
数据集和训练支持向量机回归模型使用前50个观察。
负载carsmallX =(功率、重量);Y = MPG;Mdl = fitrsvm (X (1:50:), Y (1:50));
Mdl
是一个回归vm.
对象。
创建编码器配置
为应用程序创建编码器配置器回归vm.
模型通过使用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。
配置= learnerCoderConfigurer (Mdl X (1:50,:));
配置程序
是一个RegressionSVMCoderConfigurer
对象的编码配置器回归vm.
对象。
指定参数的编码器属性
指定SVM回归模型参数的编码器属性,以便在重新训练模型后更新生成代码中的参数。此示例指定要传递到生成代码的预测器数据的编码器属性以及SVM回归模型支持向量的编码器属性。金宝app
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。修改SizeVector
和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是具有可变大小还是固定大小。
configuration . x . sizevector = [Inf 2];configurer.X.VariableDimensions = [true false];
第一个维度的大小是观测的次数。在本例中,代码指定大小的上限为INF.
而且大小是可变的,这意味着X
可以有任意数量的观察结果。如果您在生成代码时不知道观察的数量,那么这个规范很方便。
第二个维度的大小是预测变量的数量。对于机器学习模型,这个值必须是固定的。X
包含两个预测值,因此SizeVector
属性的值必须为2VariableDimensions
属性必须假
.
如果使用新的数据或不同的设置重新训练SVM模型,支持向量的数量可能会有所不同。金宝app因此,指定的编码器属性金宝appSupportVectors
这样您就可以更新生成代码中的支持向量。金宝app
configurati金宝appon . supportvectors . sizevector = [250 2];
Alpha的SizeVector属性已被修改以满足配置约束。
configurer.金宝appSupportVectors.VariableDimensions = [true false];
已修改Alpha的VariableDimensions属性以满足配置约束。
如果修改编码器属性金宝appSupportVectors
,然后软件修改的编码器属性α
以满足配置约束。如果修改一个参数的编码器属性需要随后更改其他相关参数以满足配置约束,则软件更改相关参数的编码器属性。
生成代码
要生成C/ c++代码,您必须访问配置正确的C/ c++编译器。MATLAB编码器定位并使用一个受支持的、安装的编译器。金宝app您可以使用墨西哥人
设置
查看和更改默认编译器。有关详细信息,请参见改变默认的编译器.
使用生成代码
生成的代码预测
和更新
支持向量机回归模型(Mdl
)默认设置。
generateCode(配置)
GenerateCode在输出文件夹中创建这些文件:'Initialize.m','predict.m','update.m','回归vmmodel.mat'代码生成成功。
生成代码
生成生成代码所需的MATLAB文件,包括两个入口点函数预测
和update.m
为了预测
和更新
的功能Mdl
,分别。然后生成代码
创建一个名为RegressionSVMModel
的两个入口点函数codegen \墨西哥人\ RegressionSVMModel
文件夹并将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预测
的函数Mdl
和预测
函数返回相同的预测响应。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。
yfit =预测(Mdl X);yfit_mex = RegressionSVMModel (“预测”, X);
yfit_mex
可能包括与之相比的四舍五入差异yfit
.在这种情况下,比较yfit
和yfit_mex
,允许有一个小的公差。
找到(abs (yfit-yfit_mex) > 1 e-6)
Ans = 0x1空双列向量
对比证实了yfit
和yfit_mex
在公差内是相等的吗1E-6
.
培训模型和生成代码中的更新参数
使用整个数据集重新训练模型。
retrainedMdl = fitrsvm (X, Y);
使用提取要更新的参数validatedUpdateInputs
.该函数检测修改后的模型参数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、retrainedMdl);
更新生成代码中的参数。
RegressionSVMModel (“更新”params)
验证生成的代码
的输出比较预测
的函数retrainedMdl
和预测
函数。
yfit =预测(retrainedMdl X);yfit_mex = RegressionSVMModel (“预测”, X);找到(abs (yfit-yfit_mex) > 1 e-6)
Ans = 0x1空双列向量
对比证实了yfit
和yfit_mex
在公差内是相等的吗1 e-6
.
使用部分数据集训练回归树,并为模型创建编码器配置器。使用编码器配置器的属性来指定模型参数的编码器属性。使用编码器配置器的对象函数来生成C代码,用于预测新的预测器数据的响应。然后使用整个数据集重新训练模型,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carbig
数据集,并训练回归树模型使用一半的观察。
负载carbigX =[排量马力重量];Y = MPG;rng ('默认')重复性的%n =长度(Y);idxTrain = randsample (n, n / 2);XTrain = X (idxTrain:);YTrain = Y (idxTrain);Mdl = fitrtree (XTrain YTrain);
Mdl
是一个回归树
对象。
创建编码器配置
为应用程序创建编码器配置器回归树
模型通过使用Learnercoderconfigurer
.指定预测器数据XTrain
.的Learnercoderconfigurer
函数使用输入XTrain
属性的编码器属性预测
函数的输入。另外,将输出的数量设置为2,以便生成的代码返回预测的响应和预测的节点号。
configurer=learnercoderconfiguer(Mdl、XTrain、,“NumOutputs”2);
配置程序
是一个RegressionTreeCoderConfigurer
对象的编码配置器回归树
对象。
指定参数的编码器属性
指定回归树模型参数的编码器属性,以便可以在重新训练模型后更新生成代码中的参数。
属性的编码器属性X
的属性配置程序
这样生成的代码就可以接受任意数量的观察。修改SizeVector
和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是具有可变大小还是固定大小。
[Inf 3];configurer.X.VariableDimensions
ans =1 x2逻辑阵列1 0
第一个维度的大小是观测的次数。的值SizeVector
属性来INF.
导致软件修改VariableDimensions
属性来1
.换句话说,大小的上限是INF.
它的大小是可变的,这意味着预测数据可以有任意数量的观测数据。如果您在生成代码时不知道观察的数量,那么这个规范很方便。
第二个维度的大小是预测变量的数量。对于机器学习模型,这个值必须是固定的。由于预测器数据包含3个预测器,因此SizeVector
属性必须3.
以及它的价值VariableDimensions
属性必须0
.
如果使用新的数据或不同的设置重新训练树模型,树中的节点数量可能会有所不同。因此,指定的第一个维度SizeVector
属性,以便更新生成的代码中的节点数量:孩子们
,切点
,CutPredictorIndex
,或寡码
.然后,软件会自动修改其他属性。
例如,设置第一个值SizeVector
的属性寡码
财产INF.
.软件修改SizeVector
和VariableDimensions
的属性孩子们
,切点
,CutPredictorIndex
匹配树中节点数量的新上限。另外,第一个值VariableDimensions
的属性寡码
更改1
.
[Inf 1];
修改了Children的sizeevector属性以满足配置约束。CutPoint的SizeVector属性已被修改以满足配置约束。CutPredictorIndex的SizeVector属性已被修改以满足配置约束。已修改Children的VariableDimensions属性以满足配置约束。已修改CutPoint的VariableDimensions属性以满足配置约束。已修改CutPredictorIndex的VariableDimensions属性以满足配置约束。
configurer.NodeMean.VariableDimensions
ans =1 x2逻辑阵列1 0
生成代码
要生成C/ c++代码,您必须访问配置正确的C/ c++编译器。MATLAB编码器定位并使用一个受支持的、安装的编译器。金宝app您可以使用墨西哥人
设置
查看和更改默认编译器。有关详细信息,请参见改变默认的编译器.
为预测
和更新
回归树模型的功能(Mdl
).
generateCode(配置)
generateCode在输出文件夹中创建这些文件:米”、“预测。米”、“更新。米”、“RegressionTreeModel。代码生成成功。
的生成代码
函数完成这些操作:
生成生成代码所需的MATLAB文件,包括两个入口点函数预测
和update.m
为了预测
和更新
的功能Mdl
,分别。
创建一个名为RegressionTreeModel
对于两个入口点函数。
控件中创建MEX函数的代码codegen \墨西哥人\ RegressionTreeModel
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预测
的函数Mdl
和预测
函数返回相同的预测响应。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。
[Yfit、节点]=预测(Mdl XTrain);[Yfit_mex, node_mex] = RegressionTreeModel (“预测”, XTrain);
比较Yfit
来Yfit_mex
和节点
来node_mex
.
马克斯(abs (Yfit-Yfit_mex), [],“所有”)
ans = 0
node_mex isequal(节点)
ans =逻辑1
一般来说,Yfit_mex
可能包括舍入差异与Yfit
.在本例中,比较证实了这一点Yfit
和Yfit_mex
他们是平等的。
isequal
返回逻辑1(真正的
),如果所有输入参数相等。比较证实了预测
的函数Mdl
和预测
函数中返回相同的节点号。
培训模型和生成代码中的更新参数
使用整个数据集重新训练模型。
retrainedMdl = fitrtree (X, Y);
使用提取要更新的参数validatedUpdateInputs
.该函数检测修改后的模型参数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、retrainedMdl);
更新生成代码中的参数。
RegressionTreeModel (“更新”params)
验证生成的代码
的输出参数比较预测
的函数retrainedMdl
和预测
函数。
[Yfit、节点]=预测(retrainedMdl X);[Yfit_mex, node_mex] = RegressionTreeModel (“预测”,X);最大值(abs(Yfit-Yfit_-mex),[],“所有”)
ans = 0
node_mex isequal(节点)
ans =逻辑1
通过比较,确认了预测响应和节点数是相等的。
Mdl
- - - - - -机器学习模型机器学习模型,指定为模型对象,如所支持模型表所示。金宝app
模型 | 模型对象 |
---|---|
多包分类的二进制决策树 | CompactClassificationTree |
支持向量机用于一类和二值分类 | CompactClassificationSVM |
二元分类的线性模型 | ClassificationLinear |
支持向量机的多分类模型和线性模型 | CompactClassificationECOC |
二叉决策树的回归 | CompactRegressionTree |
金宝app支持向量机回归 | 压缩回归 |
线性回归 | RegressionLinear |
有关机器学习模型的代码生成用法说明和限制,请参阅模型对象页面的代码生成部分。
参数个数
- - - - - -参数更新机器学习模型中要更新的参数,指定为一个结构,每个参数都有一个字段要更新。
创建参数个数
通过使用validatedUpdateInputs
函数。该函数检测重新训练的模型中修改的参数,验证修改的参数值是否满足参数的编码器属性,并返回要更新的参数作为结构。
可以更新的参数集根据机器学习模型的不同而不同,如表中所述。
模型 | 参数更新 |
---|---|
多包分类的二进制决策树 | 孩子们 ,ClassProbability ,成本 ,切点 ,CutPredictorIndex ,之前 |
支持向量机用于一类和二值分类 |
|
二元分类的线性模型 | β ,偏见 ,成本 ,之前 |
支持向量机的多分类模型和线性模型 | |
二叉决策树的回归 | 孩子们 ,切点 ,CutPredictorIndex ,寡码 |
支持向量机回归 |
|
线性回归 | β ,偏见 |
如果在重新训练模型时修改表中列出的任何名称-值对参数,则不能使用更新
更新参数。您必须再次生成C/ c++代码。
模型 | 参数不支持更新金宝app |
---|---|
多包分类的二进制决策树 | 争论fitctree - - - - - -'classnames' ,“ScoreTransform” |
支持向量机用于一类和二值分类 | 争论fitcsvm. - - - - - -'classnames' ,“KernelFunction” ,“PolynomialOrder” ,“ScoreTransform” ,“标准化” |
二元分类的线性模型 | 争论fitclinear - - - - - -'classnames' ,“ScoreTransform” |
支持向量机的多分类模型和线性模型 | 争论 如果在中指定二进制学习器
|
二叉决策树的回归 | 争论fitrtree - - - - - -“ResponseTransform” |
支持向量机回归 | 争论fitrsvm - - - - - -“KernelFunction” ,“PolynomialOrder” ,“ResponseTransform” ,“标准化” |
线性回归 | 争论fitrlinear - - - - - -“ResponseTransform” |
在编码器配置器工作流中,您使用生成代码
要创建两个update.m
入口点函数和入口点函数的MEX函数。假设MEX函数的名称为myModel
,你打电话更新
使用这种语法。
我的模型(“更新”params)
要查看在入口点函数中如何使用本页描述的语法,请显示update.m
和initialize.m
文件,使用类型
函数。
类型update.m类型initialize.m
的内容的示例update.m
和initialize.m
文件,参见使用编码器配置器生成代码.
在编码器配置器工作流中,Mdl
输入参数的更新
是否返回模型loadLearnerForCoder
.这个模型和updatedMdl
对象是简化的分类或回归模型,主要包含预测所需的属性。
使用说明和限制:
使用。创建编码器配置器Learnercoderconfigurer
然后生成代码预测
和更新
通过使用对象函数生成代码
.
对于代码生成、使用说明和机器学习模型的局限性Mdl
,请参阅模型对象页面的代码生成部分。
模型 | 模型对象 |
---|---|
多包分类的二进制决策树 | CompactClassificationTree |
支持向量机用于一类和二值分类 | CompactClassificationSVM |
二元分类的线性模型 | ClassificationLinear |
支持向量机的多分类模型和线性模型 | CompactClassificationECOC |
二叉决策树的回归 | CompactRegressionTree |
金宝app支持向量机回归 | 压缩回归 |
线性回归 | RegressionLinear |
有关详细信息,请参阅代码生成简介.
Hai fatto clic su un collegamento che Corrido向comando MATLAB提出了一个问题:
Esegui il comando inserendolo nella finestra di comando MATLAB。我浏览器web非supportano金宝app I命令MATLAB。
你也可以从以下列表中选择一个网站:
选择中国网站(中文或英文)以获得最佳网站性能。其他MathWorks国家站点没有针对您所在位置的访问进行优化。