创建机器学习模型的编码器配置器
在训练一个机器学习模型之后,使用learnerCoderConfigurer
. 使用configurer的对象函数和属性指定代码生成选项,并为预测
和更新
机器学习模型的功能。生成C/ c++代码需要MATLAB®编码员™.
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learnerCoderConfigurer
对于突出显示的步骤。
训练一个机器学习模型,然后生成代码预测
和更新
使用编码器配置器实现模型的功能。
加载carsmall
数据集和训练支持向量机(SVM)回归模型。金宝app
负载carsmallX=[马力,重量];Y=每加仑;Mdl=fitrsvm(X,Y);
Mdl
是一个RegressionSVM
对象。
控件创建一个编码器配置器RegressionSVM
模型通过使用learnerCoderConfigurer
. 指定预测数据X
.这个learnerCoderConfigurer
函数使用输入X
要配置的编码器属性,请执行以下操作:预测
函数的输入。
configurer=learnercoderconfiguer(Mdl,X)
configurer=RegressionsVMCoderConfiguration with properties:Update Inputs:Alpha:[1x1 LearnerCoderInput]Sup金宝appportVectors:[1x1 LearnerCoderInput]Scale:[1x1 LearnerCoderInput]Bias:[1x1 LearnerCoderInput]预测输入:X:[1x1 LearnerCoderInput]代码生成参数:Numoutput:1输出文件名:'RegressionSVMModel'属性、方法
配置
是一个RegressionSVMCoderConfigurer
对象,它是RegressionSVM
对象。
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
支持向量机回归模型的功能(Mdl
)的默认设置。
generateCode(配置)
generateCode在输出文件夹中创建这些文件:“initialize.m”、“predict.m”、“update.m”、“RegressionSVMModel.mat”代码生成成功。
这个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update.m
为预测
和更新
功能Mdl
分别地
创建一个名为RegressionSVMModel
对于两个入口点函数。
在中为MEX函数创建代码codegen \墨西哥人\ RegressionSVMModel
文件夹。
将MEX函数复制到当前文件夹。
显示文件的内容predict.m
,update.m
,initialize.m
通过使用类型
功能。
类型predict.m
函数varargout=predict(X,varargin)%#codegen%由MATLAB自动生成,2021年2月23日19:18:25[varargout{1:nargout}]=initialize('predict',X,varargin{:});结束
类型update.m
function update(varargin) %#codegen % Autogenerated by MATLAB, 23- 2 -2021 19:18:25 initialize('update',varargin{:});结束
类型initialize.m
函数[varargout]=initialize(command,varargin)%#codegen%由MATLAB自动生成,2021年2月23日19:18:25 coder.inline('always')持久模型,如果isempty(model)model=loadLearnerForCoder('RegressionSVMModel.mat');结束开关(命令)案例“更新”%update struct fields:Alpha%SupportVectors%Scale%Bias model=update(model,varargin{:});案例'predict'金宝app'%predict输入:X X=varargin{1};如果nargin==2[varargout{1:nargout}]=predict(model,X);else-PVPairs=cell(1,nargin-2);对于i=1:nargin-2pvpairs{1,i}=varargin{i+1};end[varargout{1:nargout}]=predict(model,X,PVPairs{:});结束
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。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个观测值训练二元SVM分类模型。
负载电离层Mdl = fitcsvm (X (1:50:), Y (1:50));
Mdl
是一个ClassificationSVM
对象。
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
. 指定预测数据X
.这个learnerCoderConfigurer
函数使用输入X
要配置的编码器属性,请执行以下操作: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。
configurer=learnercoderconfiguer(Mdl,X(1:50,:),“NumOutputs”,2);
配置
是一个分类VMCoderConfiguration
对象,它是ClassificationSVM
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
和可变尺寸
属性。这个SizeVector
属性指定预测器数据大小的上限,以及可变尺寸
属性指定预测器数据的每个维度是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察数。在这种情况下,代码指定大小的上限为正
大小是可变的,也就是说X
可以有任意数量的观察结果。如果您在生成代码时不知道观察次数,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,该值必须是固定的。X
包含34个预测值,因此SizeVector
属性必须为34,并且可变尺寸
属性必须假的
.
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app支持向量
这样您就可以在生成的代码中更新支持向量。金宝app
configurer.金宝appSupportVectors.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app支持向量
,然后软件修改的编码器属性阿尔法
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后续更改其他相关参数以满足配置约束,则软件会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generateCode
为预测
和更新
SVM分类模型的函数(Mdl
)的默认设置。
generateCode(配置)
generateCode在输出文件夹中创建这些文件:“initialize.m”、“predict.m”、“update.m”、“ClassificationSVMModel.mat”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update.m
为预测
和更新
功能Mdl
分别地然后generateCode
创建一个名为ClassificationSVMModel
对于中的两个入口点函数codegen\mex\ClassificationSVMModel
文件夹,并将MEX功能复制到当前文件夹。
验证生成的代码
通过一些预测数据来验证是否预测
功能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,得分]=预测(Mdl,X);[标签、分数]=分类VMModel(“预测”, X);
比较标签
和label_mex
通过使用等质量
.
label_mex isequal(标签)
ans=符合逻辑的1.
等质量
返回逻辑1 (真正的
)如果所有输入都相等。比较结果证实预测
功能Mdl
和预测
函数中返回相同的标签。
得分
可能包括舍入差异与分数
. 在这种情况下,比较得分
和分数
,允许较小的公差。
找到(abs (score-score_mex) > 1 e-8)
ans=0x1空双列向量
这一比较证实了这一点分数
和得分
在公差范围内是相等的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训练模型。
retrainedMdl = fitcsvm (X, Y);
使用提取要更新的参数validatedUpdateInputs
. 此功能用于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、retrainedMdl);
更新生成代码中的参数。
ClassificationSVMModel (“更新”,参数)
验证生成的代码
的输出比较预测
功能retrainedMdl
和预测
函数。
(标签,分数)=预测(retrainedMdl X);[label_mex, score_mex] = ClassificationSVMModel (“预测”, X);label_mex isequal(标签)
ans=符合逻辑的1.
找到(abs (score-score_mex) > 1 e-8)
ans=0x1空双列向量
这一比较证实了这一点标签
和labels_mex
相等,并且分数值在公差范围内相等。
Mdl
—机器学习模型机器学习模型,指定为完整或紧凑模型对象,如支持模型表中所示。金宝app
模型 | 全/紧凑的模型对象 | 培训职能 |
---|---|---|
用于多类分类的二叉决策树 | ClassificationTree ,CompactClassificationTree |
菲茨特里 |
一类二值分类的支持向量机 | ClassificationSVM ,CompactClassificationSVM |
fitcsvm |
二元分类的线性模型 | ClassificationLinear |
fitclinear |
支持向量机的多类模型和线性模型 | 分类 ,紧凑分类 |
fitcecoc |
二叉决策树的回归 | RegressionTree ,CompactRegressionTree |
菲特里 |
金宝app支持向量机回归 | RegressionSVM ,CompactRegressionSVM |
fitrsvm |
线性回归 | RegressionLinear |
菲特利恩 |
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。
X
—预测数据预测数据预测
功能Mdl
,指定为N——- - - - - -P数字矩阵,N观察的次数是多少P是预测变量的数量。而是指定X
作为一个P——- - - - - -N矩阵,其中观察值对应于列,必须设置“ObservationsIn”
的名称-值对参数“专栏”
.此选项仅适用于线性模型和带有线性二元学习器的ECOC模型。
这个预测
机器学习模型的功能是预测给定预测数据的分类标签和回归响应。创建编码器配置器后配置
,你可以使用generateCode
函数生成的C/C++代码预测
功能Mdl
.生成的代码接受具有相同大小和数据类型的预测器数据X
. 创建后,可以指定每个标注的大小是可变还是固定配置
.
例如,如果您想生成C/ c++代码,使用100个观察值和3个预测变量来预测标签,那么指定X
作为0 (100 3)
.这个learnerCoderConfigurer
函数仅使用X
,而不是它的价值观。所以,,X
可以是预测器数据,也可以是表示具有特定数据类型的值集的MATLAB表达式。输出配置
的大小和数据类型X
在X
性质配置
. 您可以修改的大小和数据类型X
在创建配置
. 例如,将观察数更改为200,将数据类型更改为单一的
.
configuration . x . sizevector = [200 3];configurer.X.DataType =“单身”;
要允许生成的C/ c++代码接受多达100个观测值的预测器数据,请指定X
作为0 (100 3)
和改变可变尺寸
财产。
configurer.X.VariableDimensions=[1 0];
[1 0]
指示的第一个维度X
(观察的数量)有一个可变的大小和第二个维度X
(预测变量的数量)有一个固定的大小。在本例中,指定的观察数(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,请指定范围为正
.[Inf 3];
数据类型:单一的
|双
指定可选的逗号分隔的字符对名称、值
参数。名称
是参数名和价值
为对应值。名称
必须出现在引号内。可以以任意顺序指定多个名称和值对参数Name1, Value1,…,的家
.
配置= learnerCoderConfigurer (Mdl X,“NumOutputs”2“OutputFileName”,“myModel”)
设置中的输出数预测
设置为2并指定文件名“myModel”
生成的C/ c++代码。
“NumOutputs”
—中的输出数预测
中的输出参数数预测
机器学习模型的功能Mdl
,指定为逗号分隔对,由“NumOutputs”
一个正整数N
.
此表列出了系统的输出预测
不同型号的功能。预测
在生成的C/C++代码中,返回第一个N
委员会的产出预测
函数的输出列中给出的顺序。
模型 | 预测 的函数模型 |
输出 |
---|---|---|
用于多类分类的二叉决策树 | 预测 |
标签 (预测类标签),分数 (后验概率),节点 (预测类的节点编号),cnum (预测标签的类别编号) |
一类二值分类的支持向量机 | 预测 |
标签 (预测类标签),分数 (分数或后验概率) |
二元分类的线性模型 | 预测 |
标签 (预测类标签),分数 (分类分数) |
支持向量机的多类模型和线性模型 | 预测 |
标签 (预测类标签),内格罗斯 (减去平均二进制损耗),PBScore (班级成绩为正) |
二叉决策树的回归 | 预测 |
伊菲特 (预测反应),节点 (预测的节点编号) |
支持向量机回归 | 预测 |
伊菲特 (预测反应) |
线性回归 | 预测 |
YHat (预测反应) |
例如,如果指定“NumOutputs”,1
的SVM分类模型,则预测
在生成的C/ c++代码中返回预测的类标签。
创建编码器配置器后配置
,可以使用点表示法修改输出的数量。
configurer.NumOutputs=2;
这个“NumOutputs”
名称-值对参数等效于“-纳古特”
编译器选项的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。目标函数generateCode
编码器配置器产生两个入口点函数predict.m
和update.m
为预测
和更新
功能Mdl
,并为两个入口点函数生成C/C++代码。的指定值“NumOutputs”
对应于中的输出参数数predict.m
.
例子:“NumOutputs”,2
数据类型:单一的
|双
“OutputFileName”
—生成的C/C++代码的文件名Mdl
对象名称+“模型”
(默认)|特征向量|字符串标量生成的C/ c++代码的文件名,指定为逗号分隔的对,由“OutputFileName”
和字符向量或字符串标量。
目标函数generateCode
编码配置器的文件使用此文件名生成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,文件名必须是有效的MATLAB函数名。
默认文件名为对象名Mdl
然后“模型”
.例如,如果Mdl
是一个CompactClassificationSVM
或ClassificationSVM
对象,则默认名称为“ClassificationSVMModel”
.
创建编码器配置器后配置
,可以使用点表示法修改文件名。
配置。OutputFileName =“myModel”;
例子:“OutputFileName”、“myModel”
数据类型:字符
|一串
“详细”
—冗长的水平真正的
(逻辑1)(默认)|假的
(逻辑0)详细程度,指定为逗号分隔对,由“详细”
,要么真正的
(逻辑1)或假的
(逻辑0)。冗长级别控制在命令行显示编码器配置器的通知消息配置
.
价值 | 描述 |
---|---|
真正的 (逻辑1) |
当对参数的编码器属性所做的更改导致其他相关参数的更改时,软件将显示通知消息。 |
假的 (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,因此软件将依赖项存储为配置约束。如果使用编码器配置器修改参数的编码器属性,并且修改需要后续更改其他从属参数以满足配置约束,则软件会更改从属参数的编码器属性。详细级别确定软件是否显示这些后续更改的通知消息。
创建编码器配置器后配置
,您可以使用点表示法修改详细程度。
configurer.Verbose=false;
例子:“详细”,假的
数据类型:符合逻辑的
“ObservationsIn”
—预测数据观测维数“行”
(默认)|“专栏”
预测器数据观测维数,由指定的逗号分隔对组成“ObservationsIn”
,要么“行”
或“专栏”
.如果你设置“ObservationsIn”
到“专栏”
,然后是预测数据X
必须定向,以便观察值与列相对应。
注
这个“专栏”
该选项仅适用于线性模型和带有线性二进制学习器的ECOC模型。
例子:“ObservationsIn”,“columns”
配置
-编码器配置器机器学习模型的编码器配置器,作为该表中的一个编码器配置器对象返回。
模型 | 编码器配置器对象 |
---|---|
用于多类分类的二叉决策树 | ClassificationTreeCoderConfigurer |
一类二值分类的支持向量机 | 分类VMCoderConfiguration |
二元分类的线性模型 | ClassificationLinearCoderConfigurer |
支持向量机的多类模型和线性模型 | 分类代码配置器 |
二叉决策树的回归 | RegressionTreeCoderConfigurer |
金宝app支持向量机回归 | RegressionSVMCoderConfigurer |
线性回归 | 回归线性代码配置器 |
使用coder configurer对象的对象函数和属性来配置代码生成选项,并为预测
和更新
机器学习模型的功能。
다음MATLAB명령에해당하는링크를클릭했습니다。
명령을 실행하려면 MATLAB명령 창에 입력하십시오. 웹 브라우저는 MATLAB명령을 지원하지 않습니다.
你也可以从以下列表中选择一个网站:
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/地区网站未针对您所在地的访问进行优化。