更新
更新模型参数,用于代码生成
描述
生成C/ c++代码预测
和更新
通过使用编码器配置器对象来实现机器学习模型的功能。通过使用创建此对象learnerCoderConfigurer
和它的对象函数generateCode
。然后你就可以使用更新
函数来更新生成代码中的模型参数,而不必重新生成代码。当你用新的数据或设置重新训练一个模型时,这个特性减少了重新生成、重新部署和重新验证C/ c++代码所需的工作。
此流程图显示了使用编码器配置器的代码生成工作流。使用更新
对于高亮显示的步骤。
如果你不生成代码,那么你不需要使用更新
函数。当你在MATLAB中重新训练一个模型®,返回的模型已经包含了修改后的参数。
的更新版本updatedMdl
=更新(Mdl
,参数个数
)Mdl
的新参数参数个数
。
再训练一个模型后,使用validatedUpdateInputs
函数,检测再训练模型中修改的参数,并验证修改的参数值是否满足参数的编码器属性。使用的输出validatedUpdateInputs
,验证过的参数,作为输入参数个数
更新模型参数。
例子
,更新生成代码中SVM分类模型参数
使用部分数据集训练SVM模型,并为该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生成C代码,为新的预测器数据预测标签。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。这个数据集有34个预测器和351个雷达返回的二进制响应,要么是坏的(“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
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
。的learnerCoderConfigurer
函数使用输入X
来配置的编码器属性预测
函数的输入。另外,将输出的数量设置为2,这样生成的代码就会返回预测的标签和分数。
配置= learnerCoderConfigurer (Mdl X (1:50,:)“NumOutputs”2);
配置
是一个ClassificationSVMCoderConfigurer
对象的编码器配置器ClassificationSVM
对象。
指定参数的Coder属性
指定支持向量机分类模型参数的编码器属性,以便在重新训练模型后可以更新生成代码中的参数。本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SVM模型支持向量的编码器属性。
的编码器属性X
以便生成的代码接受任意数量的观察。修改SizeVector
和VariableDimensions
属性。的SizeVector
属性指定了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 34];configuration . x . variabledimensions = [true false];
第一个维度的大小是观测量的数量。在这种情况下,代码指定大小的上限为正
而且大小是可变的,这意味着X
可以有任意数量的观察。如果在生成代码时不知道观察的数量,这个规范很方便。
第二次元的大小是预测变量的数量。对于机器学习模型来说,这个值必须是固定的。X
包含34个预测因子,所以值的SizeVector
属性的值必须为34VariableDimensions
属性必须假
。
如果你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变化。因此,指定的编码器属性SupportVectors
这样你可以在生成的代码中更新支持向量。
configuration . supportvectors . sizevector = [250 34];
Alpha的SizeVector属性已被修改以满足配置约束。已修改SupportVectorLabels的SizeVector属性,以满足配置约束。
configurer.SupportVectors.VariableDimensions = [true false];
Alpha的VariableDimensions属性已被修改,以满足配置约束。已修改SupportVectorLabels的VariableDimensions属性,以满足配置约束。
如果修改了的编码器属性SupportVectors
,则软件修改的编码器属性α
和SupportVectorLabels
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修改其他相关参数以满足配置约束,那么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,必须访问配置正确的C/ c++编译器。MATLAB Coder定位并使用一个支持的、已安装的编译器。您可以使用墨西哥人
设置
查看和更改默认编译器。详细信息,请参见改变默认的编译器。
使用generateCode
生成的代码预测
和更新
SVM分类模型的函数(Mdl
)和默认设置。
generateCode(配置)
generateCode在输出文件夹:'initialize. '中创建这些文件。米”、“预测。米”、“更新。米”、“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
的功能Mdl
,分别。然后generateCode
创建一个MEX函数命名为ClassificationSVMModel
的两个入口点函数codegen \墨西哥人\ ClassificationSVMModel
文件夹,并将MEX功能复制到当前文件夹。
验证生成的代码
传递一些预测数据来验证预测
的函数Mdl
和预测
函数返回相同的标签。要在有多个入口点的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,分数)=预测(Mdl X);[label_mex, score_mex] = ClassificationSVMModel (“预测”, X);
比较标签
和label_mex
通过使用isequal
。
label_mex isequal(标签)
ans =逻辑1
isequal
返回逻辑1 (真正的
)如果所有输入相等。的比较证实了预测
的函数Mdl
和预测
函数返回相同的标签。
score_mex
可能包括舍入差异比较分数
。在这种情况下,比较score_mex
和分数
,允许小的容忍。
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
公差内是否相等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);
提取参数进行更新使用validatedUpdateInputs
。中修改后的模型参数检测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);
生成的代码中的Update参数。
ClassificationSVMModel (“更新”params)
验证生成的代码
比较的输出预测
的函数retrainedMdl
和预测
函数更新后的MEX函数。
(标签,分数)=预测(retrainedMdl 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
均相等,且分值在容忍范围内相等。
更新生成代码中ECOC分类模型的参数
使用支持向量机二进制学习器训练一个错误校正输出码(ECOC)模型,并为该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,为新的预测器数据预测标签。然后使用不同的设置重新训练模型,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Fisher的虹膜数据集。
负载fisheririsX =量;Y =物种;
创建一个支持向量机二进制学习器模板,使用高斯核函数并标准化预测器数据。
t = templateSVM (“KernelFunction”,“高斯”,“标准化”,真正的);
使用模板训练一个多类ECOC模型t
。
Mdl = fitcecoc (X, Y,“学习者”t);
Mdl
是一个ClassificationECOC
对象。
创建编码器配置
创建一个编码器配置器ClassificationECOC
模型通过使用learnerCoderConfigurer
。指定预测数据X
。的learnerCoderConfigurer
函数使用输入X
来配置的编码器属性预测
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的前两个输出预测
函数,它们是预测的标签和负的平均二进制损失。
配置= learnerCoderConfigurer (Mdl X,“NumOutputs”, 2)
configurer = ClassificationECOCCoderConfigurer具有属性:更新输入:binarylearner: [1x1 ClassificationSVMCoderConfigurer] Prior: [1x1 LearnerCoderInput] Cost: [1x1 LearnerCoderInput] Predict输入:X: [1x1 LearnerCoderInput]代码生成参数:NumOutputs: 2 OutputFileName: 'ClassificationECOCModel'属性,方法
配置
是一个ClassificationECOCCoderConfigurer
对象的编码器配置器ClassificationECOC
对象。的可调输入参数预测
和更新
:X
,BinaryLearners
,之前
,成本
。
指定参数的Coder属性
的编码器属性预测
参数(预测器数据和名值对参数“解码”
和“BinaryLoss”
),更新
参数(SVM学习器的支持向量),以便您可以使用这些参数作为的输入参数预测
和更新
在生成的代码中。
的编码器属性X
以便生成的代码接受任意数量的观察。修改SizeVector
和VariableDimensions
属性。的SizeVector
属性指定了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 4];configuration . x . variabledimensions = [true false];
第一个维度的大小是观测量的数量。在这种情况下,代码指定大小的上限为正
而且大小是可变的,这意味着X
可以有任意数量的观察。如果在生成代码时不知道观察的数量,这个规范很方便。
第二次元的大小是预测变量的数量。对于机器学习模型来说,这个值必须是固定的。X
包含4个预测器,所以第二个值SizeVector
属性的第二个值必须为4VariableDimensions
属性必须假
。
接下来,修改的编码器属性BinaryLoss
和解码
使用“BinaryLoss”
和“解码”
生成的代码中的名值对参数。的编码器属性显示BinaryLoss
。
配置。BinaryLoss
ans = EnumeratedInput属性:Value: 'hinge' SelectedOption: '内置' BuiltInOptions: {1x7 cell} IsConstant: 1可调性:0
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
的属性BinaryLoss
作为“指数”
。
configurer.BinaryLoss.Value =“指数”;配置。BinaryLoss
值:'指数' SelectedOption: '内置' BuiltInOptions: {1x7 cell} IsConstant: 1可调性:1
当修改属性值时可调谐性
是假
(逻辑0),软件设置可调谐性
来真正的
(逻辑1)。
的编码器属性显示解码
。
配置。解码
ans = EnumeratedInput带有属性:Value: 'lossweight ' SelectedOption: '内置' BuiltInOptions: {'lossweight ' 'lossbased'} IsConstant: 1可调性:0
指定IsConstant
的属性解码
作为假
以便您可以使用所有可用的值BuiltInOptions
在生成的代码中。
configurer.Decoding.IsConstant = false;配置。解码
ans = EnumeratedInput带有属性:Value: [1x1 LearnerCoderInput] SelectedOption: 'NonConstant' BuiltInOptions: {'lossweight ' 'lossbased'} IsConstant: 0可调性:1
的软件更改价值
的属性解码
到一个LearnerCoderInput
对象,以便两者都能使用“lossweighted”
和“lossbased
的值“解码”
。此外,该软件设置SelectedOption
来“非常数的”
和可调谐性
来真正的
。
最后,修改的编码器属性SupportVectors
在BinaryLearners
。的编码器属性显示SupportVectors
。
configurer.BinaryLearners.SupportVectors
ans = LearnerCoderInput with properties: 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。如果使用新的数据或不同的设置重新训练ECOC模型,那么支持向量学习器中的支持向量数量可能会有所不同。因此,增加支持向量数量的上限。
configurerbinarylearners . supportvectors . sizevector = [150 4];
Alpha的SizeVector属性已被修改以满足配置约束。已修改SupportVectorLabels的SizeVector属性,以满足配置约束。
如果修改了的编码器属性SupportVectors
,则软件修改的编码器属性α
和SupportVectorLabels
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修改其他相关参数以满足配置约束,那么软件会更改相关参数的编码器属性。
显示编码器配置器。
配置
configurer = ClassificationECOCCoderConfigurer属性:更新输入:binarylearner: [1x1 ClassificationSVMCoderConfigurer] Prior: [1x1 LearnerCoderInput] Cost: [1x1 LearnerCoderInput] Predict输入:X: [1x1 LearnerCoderInput] BinaryLoss: [1x1 EnumeratedInput]解码:[1x1 EnumeratedInput]代码生成参数:NumOutputs: 2 OutputFileName: 'ClassificationECOCModel'属性,方法
显示现在包括BinaryLoss
和解码
也
生成代码
要生成C/ c++代码,必须访问配置正确的C/ c++编译器。MATLAB Coder定位并使用一个支持的、已安装的编译器。您可以使用墨西哥人
设置
查看和更改默认编译器。详细信息,请参见改变默认的编译器。
生成代码预测
和更新
ECOC分类模型的功能(Mdl
)。
generateCode(配置)
generateCode在输出文件夹:'initialize. '中创建这些文件。米”、“预测。米”、“更新。米”、“ClassificationECOCModel。mat'代码生成成功。
的generateCode
函数完成以下操作:
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。创建一个MEX函数命名为
ClassificationECOCModel
用于两个入口点函数。为MEX函数创建代码
codegen \墨西哥人\ ClassificationECOCModel
文件夹中。将MEX函数复制到当前文件夹。
验证生成的代码
传递一些预测数据来验证预测
的函数Mdl
和预测
函数返回相同的标签。要在有多个入口点的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”
作为可调的输入参数,通过更改IsConstant
属性在生成代码之前,还需要在对MEX函数的调用中指定它,尽管“lossweighted”
的默认值是“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”,“lossweighted”);
比较标签
来label_mex
通过使用isequal
。
label_mex isequal(标签)
ans =逻辑1
isequal
返回逻辑1 (真正的
)如果所有输入相等。的比较证实了预测
的函数Mdl
和预测
函数返回相同的标签。
NegLoss_mex
可能包括舍入差异比较NegLoss
。在这种情况下,比较NegLoss_mex
来NegLoss
,允许小的容忍。
找到(abs (NegLoss-NegLoss_mex) > 1 e-8)
Ans = 0x1空双列向量
对比证实了NegLoss
和NegLoss_mex
公差内是否相等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”
让软件使用启发式程序选择一个合适的比例因子。
t_new = templateSVM (“KernelFunction”,“高斯”,“标准化”,真的,“KernelScale”,“汽车”);retrainedMdl = fitcecoc (X, Y,“学习者”, t_new);
提取参数进行更新使用validatedUpdateInputs
。中修改后的模型参数检测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);
生成的代码中的Update参数。
ClassificationECOCModel (“更新”params)
验证生成的代码
比较的输出预测
的函数retrainedMdl
的输出预测
函数更新后的MEX函数。
[标签,NegLoss] =预测(retrainedMdl X,“BinaryLoss”,“指数”,“解码”,“lossbased”);[label_mex, NegLoss_mex] = ClassificationECOCModel (“预测”, X,“BinaryLoss”,“指数”,“解码”,“lossbased”);label_mex isequal(标签)
ans =逻辑1
找到(abs (NegLoss-NegLoss_mex) > 1 e-8)
Ans = 0x1空双列向量
对比证实了标签
和label_mex
是相等的,NegLoss
和NegLoss_mex
在公差范围内是相等的。
更新生成代码中SVM回归模型的参数
使用部分数据集训练支持向量机(SVM)模型,并为该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
数据集,并使用前50个观测值训练支持向量机回归模型。
负载carsmallX =(功率、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
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
。的learnerCoderConfigurer
函数使用输入X
来配置的编码器属性预测
函数的输入。
配置= 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Coder属性
指定支持向量机回归模型参数的编码器属性,以便在重新训练模型后可以更新生成代码中的参数。本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SVM回归模型支持向量的编码器属性。
的编码器属性X
以便生成的代码接受任意数量的观察。修改SizeVector
和VariableDimensions
属性。的SizeVector
属性指定了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 2];configuration . x . variabledimensions = [true false];
第一个维度的大小是观测量的数量。在这种情况下,代码指定大小的上限为正
而且大小是可变的,这意味着X
可以有任意数量的观察。如果在生成代码时不知道观察的数量,这个规范很方便。
第二次元的大小是预测变量的数量。对于机器学习模型来说,这个值必须是固定的。X
包含两个预测器,那么SizeVector
属性必须为二和的值VariableDimensions
属性必须假
。
如果你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变化。因此,指定的编码器属性SupportVectors
这样你可以在生成的代码中更新支持向量。
configuration . supportvectors . sizevector = [250 2];
Alpha的SizeVector属性已被修改以满足配置约束。
configurer.SupportVectors.VariableDimensions = [true false];
Alpha的VariableDimensions属性已被修改,以满足配置约束。
如果修改了的编码器属性SupportVectors
,则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后续修改其他相关参数以满足配置约束,那么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,必须访问配置正确的C/ c++编译器。MATLAB Coder定位并使用一个支持的、已安装的编译器。您可以使用墨西哥人
设置
查看和更改默认编译器。详细信息,请参见改变默认的编译器。
使用generateCode
生成的代码预测
和更新
SVM回归模型的函数(Mdl
)和默认设置。
generateCode(配置)
generateCode在输出文件夹:'initialize. '中创建这些文件。米”、“预测。米”、“更新。米”、“RegressionSVMModel。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
的功能Mdl
,分别。然后generateCode
创建一个MEX函数命名为RegressionSVMModel
的两个入口点函数codegen \墨西哥人\ RegressionSVMModel
文件夹,并将MEX功能复制到当前文件夹。
验证生成的代码
传递一些预测数据来验证预测
的函数Mdl
和预测
函数在MEX函数返回相同的预测响应。要在有多个入口点的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 = RegressionSVMModel (“预测”, X);
yfit_mex
可能包括舍入差异比较yfit
。在这种情况下,比较yfit
和yfit_mex
,允许小的容忍。
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
公差内是否相等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。
retrainedMdl = fitrsvm (X, Y);
提取参数进行更新使用validatedUpdateInputs
。中修改后的模型参数检测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);
生成的代码中的Update参数。
RegressionSVMModel (“更新”params)
验证生成的代码
比较的输出预测
的函数retrainedMdl
和预测
函数更新后的MEX函数。
yfit =预测(retrainedMdl X);yfit_mex = RegressionSVMModel (“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
公差内是否相等1 e-6
。
更新生成代码中的回归树模型参数
使用部分数据集训练回归树,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,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carbig
数据集,并用一半的观察值训练一个回归树模型。
负载carbigX =[排量马力重量];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
是一个RegressionTree
对象。
创建编码器配置
创建一个编码器配置器RegressionTree
模型通过使用learnerCoderConfigurer
。指定预测数据XTrain
。的learnerCoderConfigurer
函数使用输入XTrain
来配置的编码器属性预测
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响应和预测的节点号。
配置= learnerCoderConfigurer (Mdl XTrain,“NumOutputs”2);
配置
是一个RegressionTreeCoderConfigurer
对象的编码器配置器RegressionTree
对象。
指定参数的Coder属性
指定回归树模型参数的编码器属性,以便在重新训练模型后可以更新生成代码中的参数。
的编码器属性X
的属性配置
以便生成的代码接受任意数量的观察。修改SizeVector
和VariableDimensions
属性。的SizeVector
属性指定了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 3];configurer.X.VariableDimensions
ans =1 x2逻辑阵列1 0
第一个维度的大小是观测量的数量。的值设置SizeVector
属性来正
使软件更改的值VariableDimensions
属性来1
。也就是说,大小的上限为正
而且大小是可变的,这意味着预测器数据可以有任意数量的观察结果。如果在生成代码时不知道观察的数量,这个规范很方便。
第二次元的大小是预测变量的数量。对于机器学习模型来说,这个值必须是固定的。因为预测器数据包含3个预测器,的值SizeVector
属性必须3.
的值VariableDimensions
属性必须0
。
如果使用新的数据或不同的设置重新训练树模型,树中的节点数量可能会变化。因此,指定的第一维SizeVector
这些属性之一的属性,以便您可以在生成的代码中更新节点的数量:孩子们
,割点
,CutPredictorIndex
,或NodeMean
。然后软件会自动修改其他属性。。
例如,设置的第一个值SizeVector
的属性NodeMean
财产正
。软件修改SizeVector
和VariableDimensions
的属性孩子们
,割点
,CutPredictorIndex
来匹配树中节点数量的新上限。此外,的第一个值VariableDimensions
的属性NodeMean
更改1
。
configuration . nodemean . sizevector = [Inf 1];
修改了Children的SizeVector属性,以满足配置约束。已修改了CutPoint的SizeVector属性,以满足配置约束。已修改CutPredictorIndex的SizeVector属性,以满足配置约束。Children的VariableDimensions属性已修改,以满足配置约束。CutPoint的VariableDimensions属性已修改,以满足配置约束。已修改CutPredictorIndex的VariableDimensions属性,以满足配置约束。
configurer.NodeMean.VariableDimensions
ans =1 x2逻辑阵列1 0
生成代码
要生成C/ c++代码,必须访问配置正确的C/ c++编译器。MATLAB Coder定位并使用一个支持的、已安装的编译器。您可以使用墨西哥人
设置
查看和更改默认编译器。详细信息,请参见改变默认的编译器。
生成代码预测
和更新
回归树模型的函数(Mdl
)。
generateCode(配置)
generateCode在输出文件夹:'initialize. '中创建这些文件。米”、“预测。米”、“更新。米”、“RegressionTreeModel。mat'代码生成成功。
的generateCode
函数完成以下操作:
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。创建一个MEX函数命名为
RegressionTreeModel
用于两个入口点函数。为MEX函数创建代码
codegen \墨西哥人\ RegressionTreeModel
文件夹中。将MEX函数复制到当前文件夹。
验证生成的代码
传递一些预测数据来验证预测
的函数Mdl
和预测
函数在MEX函数返回相同的预测响应。要在有多个入口点的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);
比较Yfit
来Yfit_mex
和节点
来node_mex
。
马克斯(abs (Yfit-Yfit_mex), [],“所有”)
ans = 0
node_mex isequal(节点)
ans =逻辑1
一般来说,Yfit_mex
可能包括舍入差异比较Yfit
。在这种情况下,对比证实了这一点。Yfit
和Yfit_mex
是相等的。
isequal
返回逻辑1 (真正的
)如果所有的输入参数都相等。的比较证实了预测
的函数Mdl
和预测
函数返回相同的节点号。
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。
retrainedMdl = fitrtree (X, Y);
提取参数进行更新使用validatedUpdateInputs
。中修改后的模型参数检测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);
生成的代码中的Update参数。
RegressionTreeModel (“更新”params)
验证生成的代码
比较的输出参数预测
的函数retrainedMdl
和预测
函数更新后的MEX函数。
[Yfit、节点]=预测(retrainedMdl X);[Yfit_mex, node_mex] = RegressionTreeModel (“预测”, X);马克斯(abs (Yfit-Yfit_mex), [],“所有”)
ans = 0
node_mex isequal(节点)
ans =逻辑1
对比证实了预测响应与节点数相等。
输入参数
Mdl
- - - - - -机器学习模型
模型对象
机器学习模型,指定为模型对象,如支持的模型表中所示。
模型 | 模型对象 |
---|---|
用于多类分类的二叉决策树 | CompactClassificationTree |
单类和二元分类的SVM | CompactClassificationSVM |
二元分类的线性模型 | ClassificationLinear |
支持向量机和线性模型的多类模型 | CompactClassificationECOC |
用于回归的二叉决策树 | CompactRegressionTree |
支持向量机(SVM)回归 | CompactRegressionSVM |
线性回归 | RegressionLinear |
关于机器学习模型的代码生成使用说明和限制,请参见模型对象页面的代码生成部分。
参数个数
- - - - - -参数更新
结构
机器学习模型中要更新的参数,指定为一个结构,每个要更新的参数都有一个字段。
创建参数个数
通过使用validatedUpdateInputs
函数。该函数在重新训练的模型中检测修改后的参数,验证修改后的参数值是否满足参数的编码器属性,并将要更新的参数作为结构返回。
可以更新的参数集根据机器学习模型的不同而不同,如下表所述。
模型 | 参数更新 |
---|---|
用于多类分类的二叉决策树 | 孩子们 ,ClassProbability ,成本 ,割点 ,CutPredictorIndex ,之前 |
单类和二元分类的SVM |
|
二元分类的线性模型 | β ,偏见 ,成本 ,之前 |
支持向量机和线性模型的多类模型 | |
用于回归的二叉决策树 | 孩子们 ,割点 ,CutPredictorIndex ,NodeMean |
支持向量机回归 |
|
线性回归 | β ,偏见 |
提示
如果您在重新训练模型时修改了该表中列出的任何名称-值对参数,则不能使用
更新
更新参数。必须重新生成C/ c++代码。模型 Update不支持实参 用于多类分类的二叉决策树 参数的 fitctree
- - - - - -“类名”
,“ScoreTransform”
单类和二元分类的SVM 参数的 fitcsvm
- - - - - -“类名”
,“KernelFunction”
,“PolynomialOrder”
,“ScoreTransform”
,“标准化”
二元分类的线性模型 参数的 fitclinear
- - - - - -“类名”
,“ScoreTransform”
支持向量机和线性模型的多类模型 参数的
fitcecoc
- - - - - -“类名”
,“编码”
,“ScoreTransform”
中指定的二进制学习者
fitcecoc
作为模板对象(参见“学习者”
),那么对于每个二进制学习者,你不能修改如下:参数的
templateSVM
- - - - - -“KernelFunction”
,“PolynomialOrder”
,“标准化”
参数的
templateLinear
- - - - - -“学习者”
(因为修改模型类型会改变二元学习者的分数变换)
用于回归的二叉决策树 参数的 fitrtree
- - - - - -“ResponseTransform”
支持向量机回归 参数的 fitrsvm
- - - - - -“KernelFunction”
,“PolynomialOrder”
,“ResponseTransform”
,“标准化”
线性回归 参数的 fitrlinear
- - - - - -“ResponseTransform”
在编码器配置程序工作流中,您使用
generateCode
来创造update.m
入口点函数和MEX函数为入口点函数。假设MEX函数的名称为myModel
,你叫更新
使用这种语法。myModel (“更新”params)
要查看此页上描述的语法是如何在入口点函数中使用的,请显示
update.m
和initialize.m
文件,使用类型
函数。类型update.m类型initialize.m
的内容的例子
update.m
和initialize.m
文件,请参阅使用Coder配置器生成代码。
算法
在编码器配置器工作流中,Mdl
输入参数的更新
返回的模型是loadLearnerForCoder
。这个模型和updatedMdl
对象是简化的分类或回归模型,主要包含预测所需的属性。
扩展功能
C / c++代码生成
使用MATLAB®Coder™生成C和c++代码。
使用说明和限制:
创建一个编码器配置器,使用
learnerCoderConfigurer
然后生成的代码预测
和更新
通过使用对象函数generateCode
。的代码生成使用说明和机器学习模型的局限性
Mdl
,见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
单类和二元分类的SVM CompactClassificationSVM
二元分类的线性模型 ClassificationLinear
支持向量机和线性模型的多类模型 CompactClassificationECOC
用于回归的二叉决策树 CompactRegressionTree
支持向量机(SVM)回归 CompactRegressionSVM
线性回归 RegressionLinear
更多信息,请参见代码生成简介。
版本历史
介绍了R2018b
MATLAB命令
你点击了一个对应这个MATLAB命令的链接:
在MATLAB命令窗口中输入命令即可运行该命令。Web浏览器不支持MATLAB命令。
您也可以从以下列表中选择一个网站:
如何获得最好的网站性能
选择中国站点(中文或英文),获得最佳站点性能。其他MathWorks国家站点没有针对您所在位置的访问进行优化。