火车模型

加载Fisher的虹膜数据集。

加载fisheririsX=多边环境协定；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=模板SVM(“KernelFunction”那“高斯”那“标准化”,真正的);

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对象。

创建编码器配置器

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. 这个Learnercoderconfigurer功能使用输入X属性的编码器属性预测功能输入。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那BinaryLearners那之前,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，所以第二个值秘诀属性必须为4，并且是杂色金属依赖项属性必须错误的．

接下来，修改的编码器属性二进制数和解码使用“BinaryLoss”和'解码'生成的代码中的名称-值对参数。的编码属性二进制数．

configur.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

如果在以下情况下修改属性值：可调性是错误的（逻辑0），软件设置可调性来真正的（逻辑1）。

的编码属性解码．

configurer.decoding.

ans=EnumeratedInput，属性为：Value:'LossWighted'SelectedOption:'Buildin'内置选项：{'LossWighted''lossbased'}IsConstant:1可调性：0

指定IsConstant的属性解码作为错误的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LearnercoderInpul.对象使您可以使用两者“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．

configurer.BinaryLearners.金宝appSupportVectors

ans=LearnerCoderInput，属性为：SizeVector:[54 4]VariableDimensions:[1 0]数据类型：“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

configurer.BinaryLearners.金宝appSupportVectors.SizeVector = [150 4];

Alpha的SizeVector属性已修改以满足配置约束。SupportVectorLabels的SizeVector属性已修改以满足配置约束。金宝app

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。

配置程序

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．

为此生成代码预测和更新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。

这生成代码函数完成以下操作：

验证生成的代码

通过一些预测数据来验证是否预测功能Mdl和预测MEX函数中的函数返回相同的标签。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”是的默认值'解码'．

[标签，dropsа] =预测（mdl，x，“BinaryLoss”那“指数”); [label\u-mex，NegLoss\u-mex]=分类模型(“预测”，X，“BinaryLoss”那“指数”那'解码'那“lossweighted”）;

比较标签来label_mex通过使用是平等的．

isequal（标签，标签）

ans =逻辑1

是平等的返回逻辑1（真正的）如果所有输入相等。比较证实了预测功能Mdl和预测MEX函数中的函数返回相同的标签。

NegLoss_mex可能包括舍入差异与NegLoss．在这种情况下，比较NegLoss_mex来NegLoss，允许有一个小的公差。

查找（abs（NegLoss-NegLoss_mex）>1e-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1e–8．

重新训练模型并更新生成代码中的参数

使用不同的设置重新培训模型。指定“内核尺度”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”那“高斯”那“标准化”,真的,“内核尺度”那'汽车'）;RetrowingMDL = FitCecoc（X，Y，'学习者', t_new);

通过使用提取要更新的参数validatedUpdateInputs．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(配置、retrainedMdl);

更新生成代码中的参数。

ClassificationECOCModel (“更新”params)

验证生成的代码

的输出比较预测功能retrainedMdl从预测函数。

[label，NegLoss]=预测（重新训练的DMDL，X，“BinaryLoss”那“指数”那'解码'那“lossbased”); [label\u-mex，NegLoss\u-mex]=分类模型(“预测”，X，“BinaryLoss”那“指数”那'解码'那“lossbased”); isequal（标签，标签）

ans =逻辑1

查找（abs（NegLoss-NegLoss_mex）>1e-8）

Ans = 0x1空双列向量

比较证实了标签和label_mex是相等的,NegLoss和NegLoss_mex在公差范围内是相等的。