主要内容

RegressionSVMCoderConfigurer

编码器配置支持向量机(SVM)回归模型金宝app

全部展开页面

描述

一个RegressionSVMCoderConfigurer对象是SVM回归模型的编码器配置器(RegressionSVM或CompactRegressionSVM）.

编码器配置器提供了方便的特性来配置代码生成选项，生成C/ c++代码，以及更新生成代码中的模型参数。

  • 配置代码生成选项，并使用对象属性指定SVM模型参数的编码器属性。

  • 生成C/ c++代码预测和更新函数的支持向量机回归模型generateCode．生成C/ c++代码需要MATLAB®编码器™．

  • 在生成的C/ c++代码中更新模型参数，而不必重新生成代码。当您使用新数据或设置重新训练SVM模型时，此特性减少了重新生成、重新部署和验证C/ c++代码所需的工作量。在更新模型参数之前，使用validatedUpdateInputs验证并提取要更新的模型参数。

此流程图显示了使用编码器配置器的代码生成工作流。

两个代码生成工作流:第一个是在训练一个模型之后，第二个是在重新训练同一个模型之后。第一个工作流程，步骤1:创建一个编码器配置器。步骤2:生成代码。步骤3:验证生成的代码。第二个工作流，步骤1:检查更新是否有效。是，请转步骤2;否= >执行第一个工作流的第一步。步骤2:更新生成代码中的模型参数。

有关支持向量机回归模型的代码生成使用说明和限制，请参阅CompactRegressionSVM，预测,更新．

创建

训练后的SVM回归模型采用fitrsvm，为模型创建编码器配置器，使用learnerCoderConfigurer．的编码器属性预测和更新参数。然后,用generateCode根据指定的编码器属性生成C/ c++代码。

属性

全部展开

预测参数

控件的编码器属性预测生成代码中的函数参数。

编码器属性的预测器数据传递给生成的C/ c++代码预测SVM回归模型的函数，指定为aLearnerCoderInput对象。

方法创建编码器配置器时learnerCoderConfigurer函数，输入参数X控件的默认值LearnerCoderInput编码器属性:

  • SizeVector—默认值为输入的数组大小X．

  • VariableDimensions—该值为[0 0](默认)或[1 0]．

    • [0 0]指定固定数组大小SizeVector．

    • [1 0]指示数组具有可变大小的行和固定大小的列。的第一个值SizeVector行数的上界，第二个值是SizeVector是列数。

  • 数据类型—该值为单或双．默认数据类型取决于输入的数据类型X．

  • 可调谐性—必须是真正的，意思是预测在生成的C/ c++代码中总是包含预测器数据作为输入。

可以使用点表示法修改编码器属性。例如，要生成接受具有三个预测变量的100个观测值的预测数据的C/ c++代码，请指定的这些编码器属性X用于编码器配置器配置：

configuration . x . sizevector = [1003];configurer.X.DataType =“双”;configuration . x . variabledimensions = [0 0];
[0 0]表示的第一维和第二维X(分别为观察数和预测变量数)具有固定的大小。

要允许生成的C/ c++代码接受具有多达100个观测值的预测器数据，请指定这些编码器属性X：

configuration . x . sizevector = [1003];configurer.X.DataType =“双”;configuration . x . variabledimensions = [10];
[1 0]表示的第一个维度X(观察数)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。指定的观测数(在本例中为100)将成为生成的C/ c++代码中允许的最大观测数。若要允许任意数量的观察值，请将边界指定为正．

方法生成的C/ c++代码中要返回的输出参数的个数预测SVM回归模型的函数，设为1。预测返回yfit(预测响应)在生成的C/ c++代码中。

的NumOutputs属性等价于“-nargout”的编译器选项codegen(MATLAB编码器)．此选项指定代码生成的入口点函数中输出参数的数量。目标函数generateCode生成两个入口点函数-predict.m和update.m为预测和更新函数，并为这两个入口点函数生成C/ c++代码。的指定值NumOutputs属性对应于入口点函数中输出参数的数量predict.m．

数据类型:单|双

更新参数

控件的编码器属性更新生成代码中的函数参数。的更新函数接受训练模型和新模型参数作为输入参数，并返回包含新参数的模型的更新版本。为了能够更新生成代码中的参数，您需要在生成代码之前指定参数的编码器属性。使用一个LearnerCoderInput对象来指定每个参数的编码器属性。默认属性值基于输入参数中的模型参数Mdl的learnerCoderConfigurer．

对偶问题系数(α的SVM回归模型)，指定为aLearnerCoderInput对象。

的默认属性值LearnerCoderInput对象基于输入参数Mdl的learnerCoderConfigurer：

  • SizeVector—默认值为(年代,1),在那里年代支持向量的个数是多少金宝appMdl．

  • VariableDimensions—该值为[0 0](默认)或[1 0]．

    • [0 0]指定固定数组大小SizeVector．

    • [1 0]指示数组具有可变大小的行和固定大小的列。的第一个值SizeVector行数的上界，第二个值是SizeVector是列数。

  • 数据类型—该值为“单一”或“双”．默认数据类型与用于训练的训练数据的数据类型一致Mdl．

  • 可调谐性-如果你用线性核函数训练一个模型，并使用抛弃支持向量金宝appdiscard金宝appSupportVectors，此值必须为假．否则，该值必须为真正的．

原始线性问题系数(β的SVM回归模型)，指定为aLearnerCoderInput对象。

的默认属性值LearnerCoderInput对象基于输入参数Mdl的learnerCoderConfigurer：

  • SizeVector—必须是(1页),在那里p预测器的数量是多少Mdl．

  • VariableDimensions—必须是[0 0]中指定的数组大小是固定的SizeVector．

  • 数据类型—该值为“单一”或“双”．默认数据类型与用于训练的训练数据的数据类型一致Mdl．

  • 可调谐性-如果你用线性核函数训练一个模型，并使用抛弃支持向量金宝appdiscard金宝appSupportVectors，此值必须为真正的．否则，该值必须为假．

偏置项的编码器属性(偏见的SVM回归模型)，指定为aLearnerCoderInput对象。

的默认属性值LearnerCoderInput对象基于输入参数Mdl的learnerCoderConfigurer：

  • SizeVector—必须是[1]．

  • VariableDimensions—必须是[0 0]中指定的数组大小是固定的SizeVector．

  • 数据类型—该值为“单一”或“双”．默认数据类型与用于训练的训练数据的数据类型一致Mdl．

  • 可调谐性—必须是真正的．

预测器的编码器属性意味着(μ的SVM回归模型)，指定为aLearnerCoderInput对象。

的默认属性值LearnerCoderInput对象基于输入参数Mdl的learnerCoderConfigurer：

  • SizeVector-如果你训练Mdl使用标准化的预测数据，指定“标准化”,真正的，此值必须为(1, p),在那里p预测器的数量是多少Mdl．否则，该值必须为(0,0)．

  • VariableDimensions—必须是[0 0]中指定的数组大小是固定的SizeVector．

  • 数据类型—该值为“单一”或“双”．默认数据类型与用于训练的训练数据的数据类型一致Mdl．

  • 可调谐性-如果你训练Mdl使用标准化的预测数据，指定“标准化”,真正的，默认值为真正的．否则，该值必须为假．

内核尺度参数(KernelParameters.Scale的SVM回归模型)，指定为aLearnerCoderInput对象。

的默认属性值LearnerCoderInput对象基于输入参数Mdl的learnerCoderConfigurer：

  • SizeVector—必须是[1]．

  • VariableDimensions—必须是[0 0]中指定的数组大小是固定的SizeVector．

  • 数据类型—该值为“单一”或“双”．默认数据类型与用于训练的训练数据的数据类型一致Mdl．

  • 可调谐性—默认值为真正的．

预测器的标准偏差(σ的SVM回归模型)，指定为aLearnerCoderInput对象。

的默认属性值LearnerCoderInput对象基于输入参数Mdl的learnerCoderConfigurer：

  • SizeVector-如果你训练Mdl使用标准化的预测数据，指定“标准化”,真正的，此值必须为(1, p),在那里p预测器的数量是多少Mdl．否则，该值必须为(0,0)．

  • VariableDimensions—必须是[0 0]中指定的数组大小是固定的SizeVector．

  • 数据类型—该值为“单一”或“双”．默认数据类型与用于训练的训练数据的数据类型一致Mdl．

  • 可调谐性-如果你训练Mdl使用标准化的预测数据，指定“标准化”,真正的，默认值为真正的．否则，该值必须为假．

支持向量(金宝app金宝appSupportVectors的SVM回归模型)，指定为aLearnerCoderInput对象。

的默认属性值LearnerCoderInput对象基于输入参数Mdl的learnerCoderConfigurer：

  • SizeVector—默认值为(s, p),在那里年代支持向量的个数是多少金宝appp预测器的数量是多少Mdl．

  • VariableDimensions—该值为[0 0](默认)或[1 0]．

    • [0 0]指定固定数组大小SizeVector．

    • [1 0]指示数组具有可变大小的行和固定大小的列。的第一个值SizeVector行数的上界，第二个值是SizeVector是列数。

  • 数据类型—该值为“单一”或“双”．默认数据类型与用于训练的训练数据的数据类型一致Mdl．

  • 可调谐性-如果你用线性核函数训练一个模型，并使用抛弃支持向量金宝appdiscard金宝appSupportVectors，此值必须为假．否则，该值必须为真正的．

其他配置选项

生成的C/ c++代码的文件名，指定为字符向量。

目标函数generateCode的RegressionSVMCoderConfigurer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，名称必须是有效的MATLAB函数名称。

在创建编码器配置器之后配置时，可以使用点表示法指定文件名。

配置。OutputFileName =“myModel”;

数据类型:字符

详细级别，指定为真正的(逻辑1)或假(逻辑0)。冗长级别控制在命令行显示通知消息。

价值 描述
真正的(逻辑1) 当对参数的编码器属性的更改导致其他相关参数的更改时，该软件会显示通知消息。
假(逻辑0) 该软件不显示通知消息。

为了在生成的代码中启用更新机器学习模型参数，您需要在生成代码之前配置参数的编码器属性。参数的编码器属性是相互依赖的，因此软件将依赖关系存储为配置约束。如果您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。冗长级别决定软件是否显示这些后续更改的通知消息。

在创建编码器配置器之后配置时，可以使用点表示法修改冗长级别。

配置。详细的= false;

数据类型:逻辑

代码生成自定义选项

要自定义代码生成工作流，请使用generateFiles函数和以下三个属性codegen(MATLAB编码器)，而不是使用generateCode函数。

在生成两个入口点函数文件(predict.m和update.m)，使用generateFiles函数，您可以根据代码生成工作流程修改这些文件。例如，您可以修改predict.m文件以包含数据预处理，或者您可以将这些入口点函数添加到另一个代码生成项目中。生成C/ c++代码codegen(MATLAB编码器)功能和codegen参数适用于修改后的入口点函数或代码生成项目。使用本节中描述的三个属性作为设置的起点codegen参数。

该属性是只读的。

codegen(MATLAB编码器)参数，指定为单元格数组。

此属性使您能够自定义代码生成工作流。使用generateCode函数，如果不需要自定义工作流。

而不是使用generateCode使用编码器配置器配置，你可以生成C/ c++代码如下:

generateFiles(configer) cgArgs = configuration . codegenerationarguments;codegen (cgArgs {}):
如果您自定义代码生成工作流，请修改cgArgs因此，在呼叫之前codegen．

的其他属性配置，软件更新CodeGenerationArguments相应的属性。

数据类型:细胞

该属性是只读的。

入口点函数的输入参数predict.m用于代码生成，指定为类型的单元格数组编码器。PrimitiveType(MATLAB编码器)对象。的编码器。PrimitiveType对象的预测器数据的编码器属性X财产。

如果修改预测器数据的编码器属性，则软件会更新编码器。PrimitiveType相应的对象。

的编码器。PrimitiveType对象PredictInputs等于配置。CodeGenerationArguments {6}用于编码器配置器配置．

数据类型:细胞

该属性是只读的。

入口点函数的可调输入参数列表update.m用于代码生成，指定为结构的单元格数组，包括编码器。PrimitiveType(MATLAB编码器)对象。每一个编码器。PrimitiveType对象包括可调机器学习模型参数的编码器属性。

如果您使用编码器配置器属性(更新参数属性)，然后软件更新相应的编码器。PrimitiveType相应的对象。如果您指定可调谐性机器学习模型参数的属性为假，然后软件将相应的编码器。PrimitiveType对象UpdateInputs列表。

的结构UpdateInputs等于配置。CodeGenerationArguments {3}用于编码器配置器配置．

数据类型:细胞

对象的功能

generateCode 使用编码器配置器生成C/ c++代码
generateFiles 生成MATLAB使用编码器配置器生成代码的文件
validatedUpdateInputs 验证并提取机器学习模型参数进行更新

例子

全部折叠

这个例子使用:

打开实时脚本

训练机器学习模型，然后生成代码预测和更新通过使用编码器配置器来实现模型的功能。

加载carsmall并训练支持向量机(SVM)回归模型。金宝app

负载carsmallX =[马力，重量];Y = mpg;Mdl = fitrsvm(X,Y);

Mdl是一个RegressionSVM对象。

的编码器配置器RegressionSVM通过使用learnerCoderConfigurer．指定预测器数据X．的learnerCoderConfigurer函数使用输入X的编码器属性预测函数的输入。

configurer = learnerCoderConfigurer(Mdl,X)
configurer = RegressionSVMCoderConfigurer与属性:更新输入:Alpha: [1x1 LearnerCoderInput] SupportVectors: [1x1 Lea金宝apprnerCoderInput] Scale: [1x1 LearnerCoderInput] Bias: [1x1 LearnerCoderInput]预测输入:X: [1x1 LearnerCoderInput]代码生成参数:NumOutputs: 1 OutputFileName: 'RegressionSVMModel'属性，方法

配置是一个RegressionSVMCoderConfigurer对象的编码器配置器RegressionSVM对象。

要生成C/ c++代码，必须使用配置正确的C/ c++编译器。MATLAB编码器定位并使用支持的已安装编译器。金宝app你可以用墨西哥人设置查看和更改默认编译器。有关详细信息，请参见更改默认编译器．

为预测和更新支持向量机回归模型(Mdl)使用默认设置。

generateCode(配置)
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。

的generateCodeFunction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为预测和更新的功能Mdl,分别。

  • 创建一个名为RegressionSVMModel对于两个入口点函数。

  • 控件中为MEX函数创建代码codegen \墨西哥人\ RegressionSVMModel文件夹中。

  • 将MEX函数复制到当前文件夹。

控件的内容predict.m，update.m,initialize.m使用类型函数。

类型predict.m
函数varargout = predict(X,varargin) %#codegen %由MATLAB自动生成，01-09-2021 14:43:16 [varargout{1: narargout}] = initialize('predict'，X,varargin{:});结束
类型update.m
函数update(varargin) %#codegen %由MATLAB自动生成，01-09-2021 14:43:16 initialize('update'，varargin{:});结束
类型initialize.m
函数[varargout] = initialize(command,varargin) %#codegen %由MATLAB自动生成，01-09-2021 14:43:16 coder.inline('always')持久模型如果isempty(model) model = loadLearnerForCoder('RegressionSVMModel.mat');end switch(command) case 'update' % update struct fields: Alpha % 金宝appSupportVectors % Scale % Bias model = update(model,varargin{:});case 'predict' %预测输入:X X = varargin{1};如果nargin == 2 [varargout{1: narargout}] = predict(model,X);else pv = cell(1,nargin-2);对于i = 1:nargin-2 PVPairs{1,i} = varargin{i+1};end [varargout{1: narargout}] = predict(model,X,PVPairs{:});结束结束结束

这个例子使用:

打开实时脚本

使用部分数据集训金宝app练支持向量机(SVM)模型，并为该模型创建编码器配置器。使用编码器配置器的属性来指定SVM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预测新预测器数据响应的C代码。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carsmall并使用前50个观测值训练SVM回归模型。

负载carsmallX =[马力，重量];Y = mpg;Mdl = fitrsvm(X(1:50，:)，Y(1:50));

Mdl是一个RegressionSVM对象。

创建编码器配置器

的编码器配置器RegressionSVM通过使用learnerCoderConfigurer．指定预测器数据X．的learnerCoderConfigurer函数使用输入X的编码器属性预测函数的输入。

configurer = learnerCoderConfigurer(Mdl,X(1:50，:));

配置是一个RegressionSVMCoderConfigurer对象的编码器配置器RegressionSVM对象。

指定参数的编码器属性

指定SVM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。此示例指定您希望传递给生成的代码的预测器数据的编码器属性，以及SVM回归模型的支持向量的编码器属性。金宝app

的编码器属性X以便生成的代码接受任意数量的观察值。修改SizeVector和VariableDimensions属性。的SizeVector属性指定预测器数据大小的上限，而VariableDimensions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];configuration . x . variabledimensions = [true false];

第一个维度的大小是观测值的数量。在本例中，代码指定大小的上界为正大小是可变的，也就是说X可以有任意数量的观察值。如果在生成代码时不知道观察值的数量，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，这个值必须是固定的。X包含两个预测器，所以SizeVector属性的值必须为2VariableDimensions属性必须为假．

如果使用新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的编码器属性金宝appSupportVectors这样您就可以更新生成代码中的支持向量。金宝app

configurati金宝appon . supportvectors . sizevector = [250 2];
Alpha的SizeVector属性已被修改以满足配置约束。
configurati金宝appon . supportvectors . variabledimensions =[真假];
Alpha的VariableDimensions属性已被修改以满足配置约束。

的编码器属性金宝appSupportVectors，然后软件修改编码器属性α以满足配置约束。如果修改一个参数的编码器属性需要后续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，必须使用配置正确的C/ c++编译器。MATLAB编码器定位并使用支持的已安装编译器。金宝app你可以用墨西哥人设置查看和更改默认编译器。有关详细信息，请参见更改默认编译器．

使用generateCode来生成代码预测和更新支持向量机回归模型(Mdl)使用默认设置。

generateCode(配置)
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update.m为预测和更新的功能Mdl,分别。然后generateCode创建一个名为RegressionSVMModel中的两个入口点函数codegen \墨西哥人\ RegressionSVMModel文件夹，并将MEX函数复制到当前文件夹。

验证生成的代码

传递一些预测器数据来验证是否预测的函数Mdl和预测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，请将函数名称指定为第一个输入参数。

yfit = predict(Mdl,X);yfit_mex =回归svm模型(“预测”, X);

yfit_mex可能包括与的舍入差异yfit．在这种情况下，比较yfit和yfit_mex允许一个小的容忍。

查找(abs(yfit-yfit_mex) > 1e-6)
Ans = 0x1空双列向量

对比证实了yfit和yfit_mex是否在容忍范围内相等1 e-6．

重新训练模型和更新生成代码中的参数

使用整个数据集重新训练模型。

retrainedMdl = fitrsvm(X,Y);

提取要更新的参数validatedUpdateInputs．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(配置器，retrainedMdl);

更新生成代码中的参数。

RegressionSVMModel (“更新”params)

验证生成的代码

的输出进行比较预测的函数retrainedMdl和预测函数在更新后的MEX函数中。

yfit = predict(retrainedMdl,X);yfit_mex =回归svm模型(“预测”, X);查找(abs(yfit-yfit_mex) > 1e-6)
Ans = 0x1空双列向量

对比证实了yfit和yfit_mex是否在容忍范围内相等1 e-6．

更多关于

全部展开

另请参阅

||||

主题

在R2018b中引入

统计和机器学习工具箱文档

金宝app

掌握机器学习:MATLAB分步指南

掌握机器学习:MATLAB分步指南

下载电子书