火车模型

加载电离层数据集。该数据集具有34个预测和雷达回波351个二进制应答，要么坏（'B')或良好(‘g’）。使用前50个观察训练的二元SVM分类模型。

加载电离层Mdl = fitcsvm (X (1:50:), Y (1:50));

MDL是ClassificationSVM宾语。

创建编码器配置

属性创建一个编码器配置程序ClassificationSVM通过使用模型learnerCoderConfigurer。指定预测数据X。该learnerCoderConfigurer功能使用输入X配置的编码器属性预测函数的输入。另外，将输出数量设置为2，以便生成的代码返回预测的标签和分数。

配置器= learnerCoderConfigurer（MDL，X（1:50，:)，'NumOutputs'，2）;

配置是ClassificationSVMCoderConfigurer对象，它是一个编码器配置器一ClassificationSVM宾语。

指定参数的编码器属性

指定支持向量机分类模型参数的编码属性，以便您可以在重新训练模型后更新生成的代码中的参数。此示例指定要传递给生成的代码的预测器数据的编码器属性和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这样生成的代码接受任何数量的意见。修改SizeVector和VariableDimensions属性。该SizeVector属性指定上限的预测数据大小，和VariableDimensions属性指定的预测数据的每个维度是否具有可变大小或固定大小。

configurer.X.SizeVector = [34 Inf文件]。configurer.X.VariableDimensions = [TRUE FALSE];

第一尺寸的大小是观测值的数量。在这种情况下，该代码指定上限大小是正大小是可变的X可以有任意数量的意见。该规范是方便，如果生成的代码，当你不知道的观测次数。

第二维度的大小是预测变量的数目。此值必须固定机器学习模型。X包含34个谓词，因此SizeVector属性的值必须为34VariableDimensions属性必须是假。

如果您在使用新的数据或不同的设置，重新训练SVM模型，支持向量的数量可以改变。金宝app因此，指定的编码器属性金宝appSupportVectors以便您可以更新生成的代码中的支持向量。金宝app

configurer.金宝appSupportVectors.SizeVector = [250 34];

修改了Alpha的SizeVector属性以满足配置约束。对supportvectorlabel的SizeV金宝appector属性进行了修改，以满足配置约束。

configurer.金宝appSupportVectors.VariableDimensions = [真假];

为阿尔法VariableDimensions属性已被修改，以满足配置约束。对于SupportVectorLabels VariableDim金宝appensions属性已被修改，以满足配置约束。

如果您修改的编码器属性金宝appSupportVectors，然后软件修改编码器的属性α和金宝appSupportVectorLabels满足配置约束。如果一个参数的编码器的属性的修改需要对其他相关的参数的后续变化，以满足配置约束，那么软件改变从属参数的编码器的属性。

生成代码

生成C / C ++代码，你必须能够访问到被正确配置C / C ++编译器。MATLAB编码器定位和使用的支持，安装编译器。金宝app您可以使用MEX-设定要查看和更改默认的编译器。有关详细信息，请参阅更改默认的编译器（MATLAB）。

使用generateCode以生成用于代码预测和更新该SVM分类模型的函数（MDL)使用默认设置。

generateCode（配置者）

generateCode创建输出文件夹在这些文件中： 'initialize.m'， 'predict.m'， 'update.m'， 'ClassificationSVMModel.mat'

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MEX功能ClassificationSVMModel在两个入口点函数代码生成\ MEX \ ClassificationSVMModel文件夹，复制MEX函数到当前文件夹。

验证生成的代码

通过一些预测数据，以验证是否预测功能MDL和预测函数中的函数返回相同的标签。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。

[标号，得分=预测（MDL，X）;[label_mex，score_mex] = ClassificationSVMModel（'预测',X);

比较标签和label_mex通过使用是平等的。

label_mex isequal(标签)

ANS =合乎逻辑1

是平等的返回逻辑1 (真正）如果所有的输入是相等的。对比确认预测功能MDL和预测函数中的函数返回相同的标签。

score_mex可能包括四舍五入的差异得分。在这种情况下，比较score_mex和得分，允许小的公差。

找到(abs (score-score_mex) > 1 e-8)

ANS =为0x1空双列向量

对比确认得分和score_mex在公差范围内相等1 e-8。

在生成的代码中重新训练模型和更新参数

再培训使用整个数据集模型。

retrainedMdl = fitcsvm (X, Y);

通过使用提取的参数更新validatedUpdateInputs。该函数检测在修改模型参数retrainedMdl并验证是否修改的参数值满足参数的编码器的属性。

PARAMS = validatedUpdateInputs（配置者，retrainedMdl）

更新参数在生成的代码。

ClassificationSVMModel (“更新”，则params）

验证生成的代码

比较从输出预测功能retrainedMdl和预测功能更新MEX功能。

[标号，得分=预测（retrainedMdl，X）;[label_mex，score_mex] = ClassificationSVMModel（'预测',X);label_mex isequal(标签)

ANS =合乎逻辑1

找到(abs (score-score_mex) > 1 e-8)

ANS =为0x1空双列向量

对比确认标签和labels_mex是相等的，而分数值在公差范围内相等。