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。

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:

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。

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。

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:

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。