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。
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。
使用模板训练一个多类ECOC模型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。
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。
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．
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'．
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．
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。
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．
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
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= 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”．
相比标签到label_mex.通过使用isequal．
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。
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。
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。
更新生成的代码中的参数。
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。
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。
