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
及其对象功能generateCode
.然后你可以用更新
功能要更新生成的代码中的模型参数,而无需重新生成代码。此功能可减少重新生成,重新部署和求解C / C ++代码所需的努力,当您使用新数据或设置时恢复模型时。
此流程图显示使用编码器配置程序的代码生成工作流程。采用更新
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中恢复模型时®,返回的模型已经包括修改的参数。
的更新版本updatedMdl
=更新(MDL.
,参数
)MDL.
包含新参数的参数
.
重新培训模型后,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
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恢复模型,并在生成的代码中更新参数而无需重新生成代码。
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个观察列出二进制SVM分类模型。
负载电离层Mdl = fitcsvm (X (1:50:), Y (1:50));
MDL.
是A.ClassificationSVM
目的。
创建编码器配置程序
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
.的learnerCoderConfigurer
函数使用输入X
配置编码器属性预测
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。
configurer =学习者(MDL,x(1:50,:),'numoutputs',2);
配置
是A.classificationsvmcoderconfigurer
对象是一个编码器配置程序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,指定的编码器属性X
因此,生成的代码接受任何数量的观察。修改SizeVector
和VariableDimensions
属性。的SizeVector
属性指定预测器数据大小的上限,以及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。
configurer.x.sizevector = [INF 34];configurer.x.variabledimensions = [true false];
第一维度的大小是观察的数量。在这种情况下,代码指定大小的上限是正
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。
第二维度的大小是预测变量的数量。必须为机器学习模型固定此值。X
包含34个预测因子,因此值SizeVector
属性必须是34和值的值VariableDimensions
属性必须是错误的
.
如果使用新数据或不同的设置重新恢复SVM模型,则支持向量的数量可能会有所不同。金宝app因此,指定编码器属性金宝app支持监视器
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];
Alpha的VariaBlowImensions属性已被修改为满足配置约束。SupportVectorLabels的VariaBlyImens金宝appions属性已被修改为满足配置约束。
的编码器属性金宝app支持监视器
,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.
采用generateCode
生成的代码预测
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:'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
和更新..
为预测
和更新
函数MDL.
,分别。然后generateCode
创建一个名为mex函数ClassificationSVMModel
的两个入口点函数codegen \ mex \ 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是预测
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);[label_mex,score_mex] = classificationsvmmodel('预测', X);
相比标签
和label_mex.
通过使用isequal
.
label_mex isequal(标签)
ans =.逻辑1
isequal
返回逻辑1 (真的
),如果所有输入相等。比较证实了预测
功能MDL.
和预测
函数中返回相同的标签。
score_mex
可能包括舍入差异与分数
.在这种情况下,比较score_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
对比证实了分数
和score_mex
在宽容范围内相同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验证updateInpuls.
.该函数检测修改后的模型参数returatedmdl.
并验证修改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
功能returatedmdl.
和预测
在更新的MEX函数中的功能。
[标签,得分] =预测(再次检索,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
对比证实了标签
和Labels_mex.
等于,分数值在公差范围内相同。
使用SVM二进制学习者列出错误校正输出代码(ECOC)模型,并为模型创建一个编码器配置器。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培训模型,并在未生成代码中更新参数而无需重新生成代码。
火车模型
载入费雪的虹膜数据集。
负载渔民X =量;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 = templateSVM ('骨箱','高斯',“标准化”,真的);
使用模板训练一个多类ECOC模型t
.
mdl = fitcecoc(x,y,“学习者”,t);
MDL.
是A.Classifiedecoc.
目的。
创建编码器配置程序
控件创建一个编码器配置器Classifiedecoc.
模型通过使用learnerCoderConfigurer
.指定预测器数据X
.的learnerCoderConfigurer
函数使用输入X
配置编码器属性预测
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
函数,它是预测的标号和负的平均二进制损耗。
configurer = 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A.classificationcoccoderconfigurer
对象是一个编码器配置程序Classifiedecoc.
目的。显示屏显示可调谐输入参数预测
和更新
:X
,二进制书
,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(预测数据和名称值对参数“解码”
和“BinaryLoss”
),更新
参数(SVM学习者的支金宝app持向量)以便您可以将这些参数用作输入参数预测
和更新
在生成的代码中。
首先,指定的编码器属性X
因此,生成的代码接受任何数量的观察。修改SizeVector
和VariableDimensions
属性。的SizeVector
属性指定预测器数据大小的上限,以及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。
configurer.x.sizevector = [INF 4];configurer.x.variabledimensions = [true false];
第一维度的大小是观察的数量。在这种情况下,代码指定大小的上限是正
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。
第二维度的大小是预测变量的数量。必须为机器学习模型固定此值。X
包含4个预测器,因此SizeVector
属性的第二个值必须为4VariableDimensions
属性必须是错误的
.
接下来,修改编码器属性BinaryLoss
和解码
使用“BinaryLoss”
和“解码”
名称 - 值对生成的代码中的参数。显示编码器属性BinaryLoss
.
配置。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
属性BinaryLoss
作为'指数'
.
configur.binaryloss.value =.'指数';配置。BinaryLoss
ANS = eNumerateDupput使用属性:value:'指数'选择选项:'内置'构建选项:{1x7 Cell} IsConstant:1可调性:1
当修改属性值时可调谐性
是错误的
(逻辑0),软件设置可调谐性
到真的
(逻辑1)。
显示编码器属性解码
.
configurer.decoding.
ans = EnumeratedInput与属性:值:' lossweights ' SelectedOption: ' built ' BuiltInOptions: {' lossweights ' ' losssbased '} IsConstant: 1可调性:0
指定iSononstant.
属性解码
作为错误的
以便使用。中的所有可用值内置选项
在生成的代码中。
configur.decoding.isconstant = false;configurer.decoding.
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
属性解码
到一个LearnercoderInpul.
对象,以便两者都可以使用“失去重量”
和'失去了
'作为价值“解码”
.此外,软件设置了SelectedOption
到'不合作'
和可调谐性
到真的
.
最后,修改编码器属性金宝app支持监视器
在二进制书
.显示编码器属性金宝app支持监视器
.
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如果使用新数据或不同的设置重新恢复ECOC型号,则SVM学习者中的支持向量的数量可能会有所不同。金宝app因此,增加支撑载体数量的上限。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app支持监视器
,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
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
也是。
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。
的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
函数MDL.
,分别。
创建一个名为ClassificationECOCModel
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\ ClassificationECOCModel
文件夹。
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是预测
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。因为你指定的“解码”
作为调谐输入参数来改变iSononstant.
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“失去重量”
是默认值“解码”
.
[标签,NegLoss] =预测(Mdl X,“BinaryLoss”,'指数');[label_mex, NegLoss_mex] = ClassificationECOCModel ('预测', X,“BinaryLoss”,'指数',“解码”,“失去重量”);
相比标签
到label_mex.
通过使用isequal
.
label_mex isequal(标签)
ans =.逻辑1
isequal
返回逻辑1 (真的
),如果所有输入相等。比较证实了预测
功能MDL.
和预测
函数中返回相同的标签。
NegLoss_mex
可能包括与之相比的圆截止差异negl
.在这种情况下,比较NegLoss_mex
到negl
,允许小容差。
查找(ABS(Depostoss-Deportst_mex)> 1E-8)
ans = 0x1空双列向量
对比证实了negl
和NegLoss_mex
在宽容范围内相同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训练模型。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','高斯',“标准化”,真的,'kernelscale',“汽车”);retrainedMdl = fitcecoc (X, Y,“学习者”,t_new);
使用提取要更新的参数验证updateInpuls.
.该函数检测修改后的模型参数returatedmdl.
并验证修改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。
classificeecocmodel('更新',params)
验证生成的代码
比较来自的输出预测
功能returatedmdl.
的输出预测
在更新的MEX函数中的功能。
[标签,NegLoss] =预测(retrainedMdl X,“BinaryLoss”,'指数',“解码”,'失败');[label_mex, NegLoss_mex] = ClassificationECOCModel ('预测', X,“BinaryLoss”,'指数',“解码”,'失败');label_mex isequal(标签)
ans =.逻辑1
查找(ABS(Depostoss-Deportst_mex)> 1E-8)
ans = 0x1空双列向量
对比证实了标签
和label_mex.
是平等的negl
和NegLoss_mex
在宽容范围内相同。
使用部分数据集列金宝app车支持向量机(SVM)模型,并为模型创建一个编码器配置器。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,该代码预测新的预测器数据的响应。然后使用整个数据集重新恢复模型,并在生成的代码中更新参数而无需重新生成代码。
火车模型
加载Carsmall.
数据集和使用前50个观察培训SVM回归模型。
负载Carsmall.X =(功率、重量);Y = MPG;Mdl = fitrsvm (X (1:50:), Y (1:50));
MDL.
是A.RegressionSVM
目的。
创建编码器配置程序
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
.的learnerCoderConfigurer
函数使用输入X
配置编码器属性预测
函数的输入。
configurer = LearnerCoderConfigurer(MDL,x(1:50,:));
配置
是A.回归vmcoderconfigurer
对象是一个编码器配置程序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,指定的编码器属性X
因此,生成的代码接受任何数量的观察。修改SizeVector
和VariableDimensions
属性。的SizeVector
属性指定预测器数据大小的上限,以及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。
configurer.x.sizevector = [INF 2];configurer.x.variabledimensions = [true false];
第一维度的大小是观察的数量。在这种情况下,代码指定大小的上限是正
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。
第二维度的大小是预测变量的数量。必须为机器学习模型固定此值。X
包含两个预测器,因此SizeVector
属性必须是两个和值VariableDimensions
属性必须是错误的
.
如果使用新数据或不同的设置重新恢复SVM模型,则支持向量的数量可能会有所不同。金宝app因此,指定编码器属性金宝app支持监视器
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 2];
Alpha的SizeVector属性已被修改以满足配置约束。
configurer.金宝appSupportVectors.VariableDimensions = [true false];
Alpha的VariaBlowImensions属性已被修改为满足配置约束。
的编码器属性金宝app支持监视器
,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.
采用generateCode
生成的代码预测
和更新
支持向量机回归模型(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
函数MDL.
,分别。然后generateCode
创建一个名为mex函数回归vmmodel.
的两个入口点函数codegen \ mex \ 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是预测
功能MDL.
和预测
MEX函数中的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 = REGERRIONSVMMODEL('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。
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.
在宽容范围内相同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训练模型。
RetrowingMDL = FITRSVM(X,Y);
使用提取要更新的参数验证updateInpuls.
.该函数检测修改后的模型参数returatedmdl.
并验证修改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。
RegressionSVMModel ('更新',params)
验证生成的代码
比较来自的输出预测
功能returatedmdl.
和预测
在更新的MEX函数中的功能。
YFIT =预测(再次检索了,x);YFIT_MEX = REGERRIONSVMMODEL('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.
在宽容范围内相同1E-6
.
使用部分数据集列出回归树,并为模型创建一个编码器配置器。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,该代码预测新的预测器数据的响应。然后使用整个数据集重新培训模型,并在未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CARBIG.x = [位移马力重量];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A.RegressionTree
目的。
创建编码器配置程序
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.
.的learnerCoderConfigurer
函数使用输入XTrain.
配置编码器属性预测
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预测响应和节点号。
配置= learnerCoderConfigurer (Mdl XTrain,'numoutputs',2);
配置
是A.回归的TreecoderConfigurer.
对象是一个编码器配置程序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
财产配置
因此,生成的代码接受任何数量的观察。修改SizeVector
和VariableDimensions
属性。的SizeVector
属性指定预测器数据大小的上限,以及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 =.1x2逻辑阵列1 0
第一维度的大小是观察的数量。设置值SizeVector
归因于正
导致软件更改值VariableDimensions
归因于1
.换句话说,大小的上限是正
大小是可变的,这意味着预测器数据可以具有任何数量的观察。如果您不知道生成代码时的观察次数,则此规范很方便。
第二维度的大小是预测变量的数量。必须为机器学习模型固定此值。因为预测器数据包含3个预测器,所以SizeVector
属性必须是3.
和值的价值VariableDimensions
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SizeVector
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
,割点
,cutpredictorindex.
, 要么NodeMean
.然后软件会自动修改其他属性。
的第一个值SizeVector
属性的NodeMean
财产正
.软件修改SizeVector
和VariableDimensions
属性的孩子们
,割点
, 和cutpredictorindex.
以匹配树中节点数目的新上限。的第一个值VariableDimensions
属性NodeMean
更改1
.
configur.nodemean.sizevector = [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。
configurer.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:'Initialize.m','predict.m','update.m','reightiontreemodel.mat'代码生成成功。
的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
函数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 \ Mex \ ReightionTreeModel
文件夹。
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是预测
功能MDL.
和预测
MEX函数中的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);
相比YFIT.
到yfit_mex.
和节点
到node_mex
.
max(abs(yfit-yfit_mex),[],'全部')
ans = 0.
node_mex isequal(节点)
ans =.逻辑1
一般来说,yfit_mex.
可能包括与之相比的圆截止差异YFIT.
.在本例中,比较证实了这一点YFIT.
和yfit_mex.
是相等的。
isequal
返回逻辑1 (真的
),如果所有输入参数相等。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节点编号。
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训练模型。
RetrowingMDL = FITRTREE(X,Y);
使用提取要更新的参数验证updateInpuls.
.该函数检测修改后的模型参数returatedmdl.
并验证修改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
的输出参数比较预测
功能returatedmdl.
和预测
在更新的MEX函数中的功能。
[YFIT,Node] =预测(RetratingMDL,X);[Yfit_mex, node_mex] = RegressionTreeModel ('预测', X);max(abs(yfit-yfit_mex),[],'全部')
ans = 0.
node_mex isequal(节点)
ans =.逻辑1
比较证实了预测的响应和节点数字是相等的。
MDL.
- - - - - -机器学习模型机器学习模型,指定为模型对象,如支持模型的此表中给出。金宝app
模型 | 模型对象 |
---|---|
用于多类分类的二叉决策树 | 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 | 分类线性 |
用于SVM和线性型号的多键模型 | CompactClassificationECOC |
回归的二进制决策树 | 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
- - - - - -参数更新在机器学习模型中更新的参数,指定为具有用于更新的每个参数的字段的结构。
创建参数
通过使用验证updateInpuls.
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。
如本表中所述,您可以更新的参数集根据机器学习模型而异。
模型 | 更新参数 |
---|---|
用于多类分类的二叉决策树 | 孩子们 ,ClassProbability. ,成本 ,割点 ,cutpredictorindex. ,事先的 |
支持向量机用于一类和二值分类 |
|
二元分类的线性模型 | bet ,偏见 ,成本 ,事先的 |
用于SVM和线性型号的多键模型 | |
回归的二进制决策树 | 孩子们 ,割点 ,cutpredictorindex. ,NodeMean |
支持向量机回归 |
|
线性回归 | bet ,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 |
---|---|
用于多类分类的二叉决策树 | 参数的fitctree - - - - - -“类名” ,'scoretransform' |
支持向量机用于一类和二值分类 | 参数的fitcsvm - - - - - -“类名” ,'骨箱' ,'polynomialOrder' ,'scoretransform' ,“标准化” |
二元分类的线性模型 | 参数的FitClinear. - - - - - -“类名” ,'scoretransform' |
用于SVM和线性型号的多键模型 | 参数的 如果您指定二进制学习者
|
回归的二进制决策树 | 参数的fitrtree. - - - - - -“ResponseTransform” |
支持向量机回归 | 参数的Fitrsvm. - - - - - -'骨箱' ,'polynomialOrder' ,“ResponseTransform” ,“标准化” |
线性回归 | 参数的fitrlinear - - - - - -“ResponseTransform” |
在编码器配置器工作流中,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函数的名称是myModel
,你叫更新
使用这种语法。
myModel ('更新',params)
要了解此页面上描述的语法如何在入口点函数中使用,显示该页面的内容更新..
和初始化..
文件通过使用类型
函数。
类型更新..类型初始化..
有关显示内容的示例更新..
和初始化..
文件,请参阅使用编码器配置程序生成代码.
在编码器配置程序工作流程中,MDL.
输入论点更新
是否返回模型loadlearnerforcoder.
.这个模式和updatedMdl
对象是减少的分类或回归模型,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. |
支持向量机用于一类和二值分类 | CompactClassificationSVM |
二元分类的线性模型 | 分类线性 |
用于SVM和线性型号的多键模型 | CompactClassificationECOC |
回归的二进制决策树 | 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.
你点击一个链接对应于这个MATLAB命令:
在MATLAB命令窗口中输入它来运行命令。Web浏览器不支持MATLAB命令。金宝app
您还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。