预测

使用支持向量机回归模型预测响应金宝app

全部展开页面

语法

X yfit =预测(Mdl)

描述

例子

yfit=预测(Mdl，X)返回表或矩阵中预测器数据的预测响应向量X，基于完整或紧凑、训练有素的支持向量机(SVM)回归模型金宝appMdl．

输入参数

全部展开

`Mdl`- - - - - -支持向量机回归模型
`RegressionSVM`对象|`CompactRegressionSVM`对象

SVM回归模型，指定为RegressionSVM模型或CompactRegressionSVM返回的模型,fitrsvm或紧凑的,分别。

`X`- - - - - -用于产生响应的预测数据
数字矩阵|表格

用于生成响应的预测器数据，指定为数字矩阵或表。

每一行的X对应一个观察值，每一列对应一个变量。

对于数值矩阵:
- 组成列的变量X必须和训练的预测变量有相同的顺序吗Mdl．
- 如果你训练Mdl使用表(例如，资源描述),然后X可以是一个数字矩阵，如果资源描述包含所有数值预测变量。处理数值预测资源描述作为分类训练，识别分类预测使用CategoricalPredictors的名称-值对参数fitrsvm．如果资源描述包含异构预测变量(例如，数字和分类数据类型)和X是一个数值矩阵，那么预测抛出一个错误。
一个表:
- 预测除了字符向量的单元金宝app格数组外，不支持多列变量或单元格数组。
- 如果你训练Mdl使用表(例如，资源描述)，然后所有预测变量X必须具有与那些训练过的相同的变量名和数据类型Mdl(存储在Mdl。PredictorNames）.但是，的列顺序X不需要对应的列顺序资源描述．资源描述和X可以包含额外的变量(响应变量，观察权重等)，但是预测忽略了它们。
- 如果你训练Mdl使用一个数字矩阵，然后预测器命名Mdl。PredictorNames和相应的预测变量名X肯定是一样的。要在训练期间指定预测器名称，请参见PredictorNames的名称-值对参数fitrsvm．所有的预测变量X必须是数值向量。X可以包含额外的变量(响应变量，观察权重等)，但是预测忽略了它们。

如果你设置“标准化”,真的在fitrsvm训练Mdl，则软件将栏目标准化X使用相应的方法Mdl。μ的标准差Mdl。σ．

数据类型:表格|双|单

输出参数

全部展开

`yfit`——预测反应
向量

预测的响应，作为长度向量返回n,在那里n为训练数据中的观测次数。

有关如何预测响应的详细信息，请参见方程1和方程2在理解支持向量机回归金宝app．

例子

全部展开

预测支持向量机回归模型的测试样本响应

打开生活的脚本

加载carsmall数据集。考虑一个根据马力和重量预测汽车燃油效率的模型。确定样本量。

负载carsmall台=表(马力、重量、MPG);N =大小(1台);

将数据划分为训练集和测试集。保留10%的数据进行测试。

rng (10);%的再现性本量利= cvpartition (N,“坚持”, 0.1);idxTrn =培训(cvp);%训练集指标idxTest =测试(cvp);%测试集指标

训练线性支持向量机回归模型。标准化数据。

Mdl = fitrsvm(资源描述(idxTrn:),“英里”，“标准化”,真正的);

Mdl是一个RegressionSVM模型。

预测测试集的响应。

YFit =预测(Mdl台(idxTest:));

创建一个表，其中并排包含观察到的响应值和预测的响应值。

表(tbl.MPG (idxTest)、YFit“VariableNames”，．..｛“ObservedValue”，“PredictedValue”}）

ans =10×2表ObservedValue PredictedValue _____________ ______________ 14 9.4833 27 28.938 10 7.765 28 27.155 22 21.054 29 31.484 24.5 30.306 18.5 19.12 32 28.225 28 26.632

提示

如果mdl是一个旨在RegressionPartitionedSVM模型,使用kfoldPredict而不是预测来预测新的响应值。

选择功能

金宝app仿真软件块

将SVM回归模型的预测集成到Simulink中金宝app^®，你可以使用RegressionSVM预测块在统计和机器学习工具箱™库或MATLAB^®函数块预测函数。有关示例,请参见使用回归支持向量机预测响应和用MATLAB函数块预测类标签．

在决定使用哪种方法时，请考虑以下几点:

如果使用统计学和机器学习工具箱库块，则可以使用定点的工具(定点设计师)将浮点模型转换为定点模型。
金宝app的MATLAB函数块必须启用对可变大小数组的支持预测函数。
如果您使用MATLAB函数块，您可以使用MATLAB函数在同一个MATLAB函数块中进行预测之前或之后的预处理或后处理。

扩展功能

高大的数组
使用具有大于内存容量的行数的数组进行计算。

这个函数完全支持高数组。金宝app有关更多信息，请参见高大的数组．

C / c++代码生成
使用MATLAB®Coder™生成C和c++代码。

使用注意事项及限制:

您可以为两者生成C/ c++代码预测和更新通过使用编码器配置器。或者，只生成代码预测通过使用saveLearnerForCoder，loadLearnerForCoder,codegen．
- 代码生成的预测和更新创建一个编码器配置器learnerCoderConfigurer然后通过使用generateCode．然后，您可以在生成的代码中更新模型参数，而不必重新生成代码。
- 代码生成的预测通过使用保存一个训练过的模型saveLearnerForCoder．定义一个入口点函数，通过使用loadLearnerForCoder并调用预测函数。然后使用codegen(MATLAB编码器)为入口点函数生成代码。

对于单精度代码生成，通过指定使用标准化数据“标准化”,真的当你训练模型时。为。生成单精度C/ c++代码预测，指定名称-值参数“数据类型”、“单”当你呼叫loadLearnerForCoder函数。
您也可以生成固定的C/ c++代码预测．定点代码生成需要一个额外的步骤，定义预测所需变量的定点数据类型。属性创建定点数据类型结构数据类型的函数生成的generateLearnerDataTypeFcn，并将该结构用作的输入参数loadLearnerForCoder在入口点函数中。生成定点C/ c++代码需要MATLAB编码器™和定点设计师™。

这个表格包含关于的参数的注释预测．表中未包含的参数完全支持。金宝app

论点笔记和局限性

论点	笔记和局限性
`Mdl`	有关模型对象的使用说明和限制，请参见代码生成的`CompactRegressionSVM`对象。
`X`	对于通用代码生成，`X`必须是单精度或双精度矩阵，或包含数字变量、分类变量或两者的表。在编码器配置器工作流中，`X`必须是单精度或双精度矩阵。对于定点代码生成，`X`一定是一个不动点矩阵。中的行数或观察值`X`可以是一个可变的大小，但是`X`必须是固定的。如果你想指定`X`作为一个表，那么你的模型必须使用一个表来训练，你的预测入口点函数必须: 接受数据为数组。根据数据输入参数创建表，并指定表中的变量名。把桌子递给`预测`．有关此表格工作流的示例，请参见生成代码对表中的数据进行分类．有关在代码生成中使用表的更多信息，请参见表的代码生成(MATLAB编码器)和代码生成的表限制(MATLAB编码器)．

Mdl

有关模型对象的使用说明和限制，请参见代码生成的CompactRegressionSVM对象。

X

对于通用代码生成，X必须是单精度或双精度矩阵，或包含数字变量、分类变量或两者的表。
在编码器配置器工作流中，X必须是单精度或双精度矩阵。
对于定点代码生成，X一定是一个不动点矩阵。
中的行数或观察值X可以是一个可变的大小，但是X必须是固定的。
如果你想指定X作为一个表，那么你的模型必须使用一个表来训练，你的预测入口点函数必须:
- 接受数据为数组。
- 根据数据输入参数创建表，并指定表中的变量名。
- 把桌子递给预测．
有关此表格工作流的示例，请参见生成代码对表中的数据进行分类．有关在代码生成中使用表的更多信息，请参见表的代码生成(MATLAB编码器)和代码生成的表限制(MATLAB编码器)．