更新代码生成的模型参数
生成C/ c++代码预测
和更新
通过使用编码器配置器对象实现机器学习模型的功能。使用learnerCoderConfigurer
和它的目标函数generateCode
.然后你可以用更新
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
对于突出的步骤。
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®,返回的模型已经包括修改的参数。
的更新版本updatedmdl.
=更新(MDL.
那参数个数
)MDL.
包含新参数的参数个数
.
在重新培训一个模型后,使用验证updateInpuls.
检测RetrowMed模型中修改参数的功能并验证修改的参数值是否满足参数的编码器属性。使用输出验证updateInpuls.
,验证的参数,作为输入参数个数
更新模型参数。
使用部分数据集训练支持向量机模型,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生成C代码,用于预测新的预测数据的标签。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
加载电离层
数据集。此数据集具有34个预测器和351个雷达返回的二进制响应,无论是坏的吗('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。
加载电离层Mdl = fitcsvm (X (1:50:), Y (1:50));
MDL.
是一个ClassificationSVM
目的。
创建编码器配置
控件创建一个编码器配置器ClassificationSVM
模型通过使用learnerCoderConfigurer
.指定预测器数据X
.这learnerCoderConfigurer
功能使用输入X
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标签和分数。
配置= learnerCoderConfigurer (Mdl X (1:50,:)'numoutputs'2);
配置
是一个ClassificationSVMCoderConfigurer
对象的编码配置器ClassificationSVM
目的。
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。此示例指定要传递给生成代码的预测器数据的编码器属性,以及支持向量机模型的支持向量的编码器属性。金宝app
首先,指定编码器属性X
这样生成的代码就可以接受任意数量的观察。修改秘诀
和杂色金属依赖项
属性。这秘诀
属性指定预测器数据大小的上限,而杂色金属依赖项
属性指定预测器数据的每个维度是否具有可变大小或固定大小。
configurer.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正
大小是可变的,也就是说X
可以有任何数量的观察结果。如果您不知道生成代码时的观察次数,则此规范很方便。
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,因此秘诀
属性的值必须为34杂色金属依赖项
属性必须是假
.
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。
的编码器属性金宝appSupportVectors
,然后软件修改的编码器属性α
和金宝appSupportVectorLabels
满足配置约束。如果一个参数的编码器属性的修改需要随后的改变对其他从属参数来满足配置约束,则软件改变了从属参数的编码器属性。
生成代码
要生成C / C ++代码,您必须访问正确配置的C / C ++编译器。MATLAB编码器定位并使用支持的安装编译器。金宝app您可以使用梅克斯
设置
查看和更改默认编译器。有关更多详细信息,请参阅更改默认编译器.
使用generateCode
为此生成代码预测
和更新
SVM分类模型的功能(MDL.
)的默认设置。
Generatecode(Configurer)
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。
generateCode
生成生成代码所需的MATLAB文件,包括两个入口点函数predict.m
和更新..
为预测
和更新
的功能MDL.
, 分别。然后generateCode
创建一个名为mex函数ClassificationSVMModel
对于两个入口点函数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
函数中返回相同的标签。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.
通过使用是平等的
.
label_mex isequal(标签)
ans =逻辑1
是平等的
返回逻辑1 (真的
)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。
得分_mex.
可能包括舍入差异与分数
.在这种情况下,比较得分_mex.
和分数
,允许小容差。
找到(abs (score-score_mex) > 1 e-8)
Ans = 0x1空双列向量
比较证实了分数
和得分_mex.
在公差内是相等的吗1 e-8
.
在生成的代码中重新训练模型和更新参数
使用整个数据集重新培训模型。
retrainedMdl = fitcsvm (X, Y);
通过使用提取要更新的参数验证updateInpuls.
.此功能检测到修改的模型参数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(Configurer,HetrowingMDL);
更新生成的代码中的参数。
ClassificationSVMModel (“更新”params)
验证生成的代码
比较来自的输出预测
的函数retrainedMdl
和预测
在更新的MEX函数中的功能。
(标签,分数)=预测(retrainedMdl X);[label_mex, score_mex] = ClassificationSVMModel ('预测', X);label_mex isequal(标签)
ans =逻辑1
找到(abs (score-score_mex) > 1 e-8)
Ans = 0x1空双列向量
比较证实了标签
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
载入费雪的虹膜数据集。
加载fisheririsX =量;Y =物种;
创建SVM二进制学习者模板以使用高斯内核功能并标准化预测器数据。
t = templateSVM ('骨箱'那'高斯'那“标准化”,真的);
使用模板训练多牌ecoc模型T.
.
mdl = fitcecoc(x,y,'学习者't);
MDL.
是一个ClassificationECOC
目的。
创建编码器配置
控件创建一个编码器配置器ClassificationECOC
模型通过使用learnerCoderConfigurer
.指定预测器数据X
.这learnerCoderConfigurer
功能使用输入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第一个输出预测
函数,它是预测的标号和负的平均二进制损耗。
配置= learnerCoderConfigurer (Mdl X,'numoutputs',2)
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]代码生成参数:NumOutputs: 2 OutputFileName:“ClassificationECOCModel”属性,方法
配置
是一个ClassificationECOCCoderConfigurer
对象的编码配置器ClassificationECOC
目的。显示屏显示可调谐输入参数预测
和更新
:X
那BinaryLearners
那事先的
, 和成本
.
指定参数的编码器属性
指定编码器属性预测
参数(预测器数据和名称-值对参数)'解码'
和“BinaryLoss”
),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。修改秘诀
和杂色金属依赖项
属性。这秘诀
属性指定预测器数据大小的上限,而杂色金属依赖项
属性指定预测器数据的每个维度是否具有可变大小或固定大小。
[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正
大小是可变的,也就是说X
可以有任何数量的观察结果。如果您不知道生成代码时的观察次数,则此规范很方便。
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个预测器,因此秘诀
属性的第二个值必须为4杂色金属依赖项
属性必须是假
.
接下来,修改的编码器属性二进制数
和解码
使用“BinaryLoss”
和'解码'
名称 - 值对生成的代码中的参数。的编码属性二进制数
.
configur.binaryloss.
ans = EnumeratedInput与属性:值:'hinge' SelectedOption: ' built ' 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
的属性二进制数
作为“指数”
.
configurer.BinaryLoss.Value =“指数”;configur.binaryloss.
ans = EnumeratedInput与属性:值:'指数' SelectedOption: '内置' BuiltInOptions: {1x7 cell} IsConstant: 1可调性:1
当修改属性值时可调性
是假
(逻辑0),软件设置可调性
到真的
(逻辑1)。
的编码属性解码
.
configurer.decoding.
ans = EnumeratedInput与属性:值:' lossweights ' SelectedOption: ' built ' BuiltInOptions: {' lossweights ' ' losssbased '} IsConstant: 1可调性:0
指定IsConstant
的属性解码
作为假
这样您就可以使用所有可用值BuiltInOptions
在生成的代码中。
configurer.Decoding.IsConstant = false;configurer.decoding.
ANS = eNumerateDupput使用属性:value:[1x1 LearnerCoderInput] SelectedOption:'不可置位'内置选项:{'lockwuighted''丢失备用'} iSononstant:0可调性:1
软件改变了价值
的属性解码
到一个LearnerCoderInput
对象使您可以使用两者“lossweighted”
和'失去了
的价值'解码'
.此外,软件设置了SelectedOption
到“非常数的”
和可调性
到真的
.
最后,修改编码器属性金宝appSupportVectors
在BinaryLearners
.的编码属性金宝appSupportVectors
.
configurer.BinaryLearners.金宝appSupportVectors
ans = LearnerCoderInput带有属性:SizeVector: [54 4] VariableDimensions: [1 0] DataType: 'double'可调性:1
的默认值杂色金属依赖项
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
configur.binarylearners.su金宝apppportVectors.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。
的编码器属性金宝appSupportVectors
,然后软件修改的编码器属性α
和金宝appSupportVectorLabels
满足配置约束。如果一个参数的编码器属性的修改需要随后的改变对其他从属参数来满足配置约束,则软件改变了从属参数的编码器属性。
显示编码器配置器。
配置
configurer = ClassificationCocoderConfigurer具有属性:更新输入:BinaryLearners:[1x1 scresisificsvmcoderConfigurer]之前:[1x1 LearnercoderInput]预测输入:x:[1x1 inumerateDute] Binaryloss:[1x1 enumerateInput]解码:[1x1 enumerateInput]代码生成参数:NUMOUTPUTS:2 OUTPUTFILENAME:'ClassificationCocModel'属性,方法
现在显示器包括二进制数
和解码
也
生成代码
要生成C / C ++代码,您必须访问正确配置的C / C ++编译器。MATLAB编码器定位并使用支持的安装编译器。金宝app您可以使用梅克斯
设置
查看和更改默认编译器。有关更多详细信息,请参阅更改默认编译器.
为此生成代码预测
和更新
ECOC分类模型的功能(MDL.
).
Generatecode(Configurer)
GenerateCode在输出文件夹中创建这些文件:'Initialize.m','predict.m','update.m'u','classificationcocmodel.mat'代码生成成功。
这generateCode
函数完成这些动作:
生成MATLAB文件所需的生成代码,包括两个入口点函数predict.m
和更新..
为预测
和更新
的功能MDL.
, 分别。
创建一个名为ClassificationECOCModel
对于两个入口点函数。
创建MEX函数的代码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预测
的函数MDL.
和预测
函数中返回相同的标签。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。因为你指定的'解码'
作为可调参数,通过更改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,即使如此“lossweighted”
默认值是'解码'
.
[标签,dropsа] =预测(mdl,x,“BinaryLoss”那“指数”);[label_mex, NegLoss_mex] = ClassificationECOCModel ('预测',X,“BinaryLoss”那“指数”那'解码'那“lossweighted”);
比较标签
到label_mex.
通过使用是平等的
.
label_mex isequal(标签)
ans =逻辑1
是平等的
返回逻辑1 (真的
)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。
NegLoss_mex
可能包括舍入差异与NegLoss
.在这种情况下,比较NegLoss_mex
到NegLoss
,允许小容差。
找到(abs (NegLoss-NegLoss_mex) > 1 e-8)
Ans = 0x1空双列向量
比较证实了NegLoss
和NegLoss_mex
在公差内是相等的吗1 e-8
.
在生成的代码中重新训练模型和更新参数
使用不同的设置重新培训模型。指定“KernelScale”
作为'汽车'
这样,软件使用启发式程序选择适当的比例因子。
t_new = templatesvm('骨箱'那'高斯'那“标准化”,真的,“KernelScale”那'汽车');retrainedMdl = fitcecoc (X, Y,'学习者', t_new);
通过使用提取要更新的参数验证updateInpuls.
.此功能检测到修改的模型参数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(Configurer,HetrowingMDL);
更新生成的代码中的参数。
ClassificationECOCModel (“更新”params)
验证生成的代码
比较来自的输出预测
的函数retrainedMdl
的输出预测
在更新的MEX函数中的功能。
[标签,NegLoss] =预测(retrainedMdl X,“BinaryLoss”那“指数”那'解码'那“lossbased”);[label_mex, NegLoss_mex] = ClassificationECOCModel ('预测',X,“BinaryLoss”那“指数”那'解码'那“lossbased”);label_mex isequal(标签)
ans =逻辑1
找到(abs (NegLoss-NegLoss_mex) > 1 e-8)
Ans = 0x1空双列向量
比较证实了标签
和label_mex.
是平等的NegLoss
和NegLoss_mex
在宽容范围内相同。
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。
加载Carsmall.x = [马力,重量];Y = MPG;mdl = fitrsvm(x(1:50,:),y(1:50));
MDL.
是一个RegressionSVM
目的。
创建编码器配置
控件创建一个编码器配置器RegressionSVM
模型通过使用learnerCoderConfigurer
.指定预测器数据X
.这learnerCoderConfigurer
功能使用输入X
属性的编码器属性预测
函数的输入。
configurer = LearnerCoderConfigurer(MDL,x(1:50,:));
配置
是一个回归vmcoderconfigurer
对象的编码配置器RegressionSVM
目的。
指定参数的编码器属性
指定支持向量机回归模型参数的编码器属性,以便您可以在重新训练模型后更新生成代码中的参数。此示例指定要传递给生成代码的预测器数据的编码器属性,以及支持向量机回归模型的支持向量的编码器属性。金宝app
首先,指定编码器属性X
这样生成的代码就可以接受任意数量的观察。修改秘诀
和杂色金属依赖项
属性。这秘诀
属性指定预测器数据大小的上限,而杂色金属依赖项
属性指定预测器数据的每个维度是否具有可变大小或固定大小。
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正
大小是可变的,也就是说X
可以有任何数量的观察结果。如果您不知道生成代码时的观察次数,则此规范很方便。
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
包含两个预测器,因此秘诀
属性必须是两个和值杂色金属依赖项
属性必须是假
.
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
configurer.金宝appsupportVectors.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。
的编码器属性金宝appSupportVectors
,然后软件修改的编码器属性α
满足配置约束。如果一个参数的编码器属性的修改需要随后的改变对其他从属参数来满足配置约束,则软件改变了从属参数的编码器属性。
生成代码
要生成C / C ++代码,您必须访问正确配置的C / C ++编译器。MATLAB编码器定位并使用支持的安装编译器。金宝app您可以使用梅克斯
设置
查看和更改默认编译器。有关更多详细信息,请参阅更改默认编译器.
使用generateCode
为此生成代码预测
和更新
SVM回归模型的功能(MDL.
)的默认设置。
Generatecode(Configurer)
generateCode在输出文件夹中创建这些文件:米”、“预测。米”、“更新。米”、“RegressionSVMModel。代码生成成功。
generateCode
生成生成代码所需的MATLAB文件,包括两个入口点函数predict.m
和更新..
为预测
和更新
的功能MDL.
, 分别。然后generateCode
创建一个名为mex函数回归vmmodel.
对于两个入口点函数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
可能包括舍入差异与YFIT.
.在这种情况下,比较YFIT.
和yfit_mex
,允许小容差。
查找(ABS(YFIT-YFIT_MEX)> 1E-6)
Ans = 0x1空双列向量
比较证实了YFIT.
和yfit_mex
在公差内是相等的吗1 e-6
.
在生成的代码中重新训练模型和更新参数
使用整个数据集重新培训模型。
RetrowingMDL = FITRSVM(X,Y);
通过使用提取要更新的参数验证updateInpuls.
.此功能检测到修改的模型参数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(Configurer,HetrowingMDL);
更新生成的代码中的参数。
回归vmmodel(“更新”params)
验证生成的代码
比较来自的输出预测
的函数retrainedMdl
和预测
在更新的MEX函数中的功能。
yfit =预测(retrainedMdl X);yfit_mex = RegressionSVMModel ('预测', X);查找(ABS(YFIT-YFIT_MEX)> 1E-6)
Ans = 0x1空双列向量
比较证实了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,并使用一半的观察来培训回归树模型。
加载carbigX =[排量马力重量];Y = MPG;rng (“默认”)%的再现性n =长度(Y);idxTrain = randsample (n, n / 2);XTrain = X (idxTrain:);YTrain = Y (idxTrain);Mdl = fitrtree (XTrain YTrain);
MDL.
是一个RegressionTree
目的。
创建编码器配置
控件创建一个编码器配置器RegressionTree
模型通过使用learnerCoderConfigurer
.指定预测器数据XTrain.
.这learnerCoderConfigurer
功能使用输入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。
配置= learnerCoderConfigurer (Mdl XTrain,'numoutputs'2);
配置
是一个RegressionTreeCoderConfigurer
对象的编码配置器RegressionTree
目的。
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,以便您可以在重新训练模型后更新生成代码中的参数。
指定编码器属性X
的属性配置
这样生成的代码就可以接受任意数量的观察。修改秘诀
和杂色金属依赖项
属性。这秘诀
属性指定预测器数据大小的上限,而杂色金属依赖项
属性指定预测器数据的每个维度是否具有可变大小或固定大小。
configurer.x.sizevector = [INF 3];configur.x.variabledimensions.
ans =1x2逻辑阵列1 0
第一个维度的大小是观测的次数。的值秘诀
属性来正
导致软件更改值杂色金属依赖项
属性来1
.换句话说,大小的上限是正
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。如果您不知道生成代码时的观察次数,则此规范很方便。
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,因此秘诀
属性必须是3.
以及它的价值杂色金属依赖项
属性必须是0.
.
如果使用新数据或不同的设置重新恢复树模型,则树中的节点数量可能会有所不同。因此,指定第一个维度秘诀
其中一个属性的属性,以便您可以更新生成的代码中的节点数:孩子们
那割点
那CutPredictorIndex
, 要么NodeMean
.然后软件会自动修改其他属性。
的第一个值秘诀
的属性NodeMean
财产正
.软件修改了秘诀
和杂色金属依赖项
的属性孩子们
那割点
, 和CutPredictorIndex
以匹配树中节点数目的新上限。的第一个值杂色金属依赖项
的属性NodeMean
改变到1
.
[Inf 1];
用于儿童的SizeVector属性已被修改为满足配置约束。用于切割点的Sizevector属性已被修改为满足配置约束。SizeVector属性用于CutPredictorIndex的修改以满足配置约束。variablyimensions属性用于儿童的归因于满足配置约束。variabledimensions属性用于切割点已被修改为满足配置约束。variabledimensions for cutpredictorindex的属性已被修改为满足配置约束。
configur.nodemean.variabledimensions.
ans =1x2逻辑阵列1 0
生成代码
要生成C / C ++代码,您必须访问正确配置的C / C ++编译器。MATLAB编码器定位并使用支持的安装编译器。金宝app您可以使用梅克斯
设置
查看和更改默认编译器。有关更多详细信息,请参阅更改默认编译器.
为此生成代码预测
和更新
回归树模型的功能(MDL.
).
Generatecode(Configurer)
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。
这generateCode
函数完成这些动作:
生成MATLAB文件所需的生成代码,包括两个入口点函数predict.m
和更新..
为预测
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。
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,Node] =预测(MDL,XTrain);[yfit_mex,node_mex] = regressiontreemodel('预测', XTrain);
比较Yfit
到Yfit_mex
和节点
到node_mex.
.
马克斯(abs (Yfit-Yfit_mex), [],“所有”)
ans = 0
isequal(节点,node_mex)
ans =逻辑1
一般来说,Yfit_mex
可能包括舍入差异与Yfit
.在这种情况下,比较证实了Yfit
和Yfit_mex
是相等的。
是平等的
返回逻辑1 (真的
)如果所有输入参数都是相等的。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。
在生成的代码中重新训练模型和更新参数
使用整个数据集重新培训模型。
retrainedMdl = fitrtree (X, Y);
通过使用提取要更新的参数验证updateInpuls.
.此功能检测到修改的模型参数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(Configurer,HetrowingMDL);
更新生成的代码中的参数。
RegressionTreeModel(“更新”params)
验证生成的代码
比较来自的输出参数预测
的函数retrainedMdl
和预测
在更新的MEX函数中的功能。
[Yfit、节点]=预测(retrainedMdl X);[yfit_mex,node_mex] = regressiontreemodel('预测', X);马克斯(abs (Yfit-Yfit_mex), [],“所有”)
ans = 0
isequal(节点,node_mex)
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 |
---|---|
用于多类分类的二叉决策树 | CompactClassificationTree. |
单级和二进制分类的SVM | CompactClassificationSVM |
二进制分类的线性模型 | 分类线性 |
支持向量机的多分类模型和线性模型 | CompactClassificeCoc. |
二叉决策树的回归 | Compactregressiontree. |
金宝app支持向量机回归 | CompactRegressionSVM |
线性回归 | 回归线性 |
有关机器学习模型的代码生成使用说明和限制,请参阅模型对象页面的代码生成部分。
参数个数
-更新参数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
通过使用验证updateInpuls.
函数。此函数检测到Retrow Model中的修改参数,验证修改的参数值是否满足参数的编码器属性,并将参数返回为结构进行更新。
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。
如果在恢复模型时修改此表中列出的任何名称值对参数,则无法使用更新
更新参数。您必须再次生成C / C ++代码。
模型 | 不支持更新的参数金宝app |
---|---|
用于多类分类的二叉决策树 | 参数的fitctree -“类名” 那“ScoreTransform” |
单级和二进制分类的SVM | 参数的fitcsvm -“类名” 那'骨箱' 那'polynomialOrder' 那“ScoreTransform” 那“标准化” |
二进制分类的线性模型 | 参数的fitclinear -“类名” 那“ScoreTransform” |
支持向量机的多分类模型和线性模型 | 参数的 如果您指定二进制学习者
|
二叉决策树的回归 | 参数的fitrtree -'OrkeTransform' |
支持向量机回归 | 参数的Fitrsvm. -'骨箱' 那'polynomialOrder' 那'OrkeTransform' 那“标准化” |
线性回归 | 参数的Fitrinear. -'OrkeTransform' |
在编码器配置程序工作流程中,您使用generateCode
创建两个更新..
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.
,你叫更新
使用此语法。
myModel (“更新”params)
要查看在入口点函数中如何使用本页描述的语法,请显示更新..
和初始化..
文件,使用类型
函数。
类型更新..类型初始化..
的内容的示例更新..
和初始化..
文件,请参阅使用编码器配置器生成代码.
在编码器配置器工作流中,MDL.
输入论点更新
是一个模特返回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。
使用注意事项及限制:
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generateCode
.
对于代码生成使用说明和机器学习模型的限制MDL.
,请参阅模型对象页面的代码生成部分。
模型 | 模型对象 |
---|---|
用于多类分类的二叉决策树 | CompactClassificationTree. |
单级和二进制分类的SVM | CompactClassificationSVM |
二进制分类的线性模型 | 分类线性 |
支持向量机的多分类模型和线性模型 | CompactClassificeCoc. |
二叉决策树的回归 | Compactregressiontree. |
金宝app支持向量机回归 | CompactRegressionSVM |
线性回归 | 回归线性 |
有关更多信息,请参见代码生成简介.
다음MATLAB명령에해당하는링크를클릭했습니다。
명령을실행하려면matlab명령창에입력。웹브라우저는matlab명령명령지원하지않습니다。
您还可以从以下列表中选择一个网站:
选择中国网站(以中文或英文)以获取最佳网站性能。其他MathWorks国家网站未优化您的位置。