ClassificationECOCCoderConfigurer
使用二元学习器的多类模型的编码器配置器
描述
一个ClassificationECOCCoderConfigurer对象是多类纠错输出码分类模型(ECOC)的编码器配置器(ClassificationECOC或CompactClassificationECOC)，使用支持向量机(SVM)或线性二元学习器。
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，并在生成的代码中更新模型参数。
配置代码生成选项，并通过使用对象属性指定模型参数的编码器属性。
生成C/ c++代码
预测而且更新ECOC模型的功能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。在更新模型参数之前，使用
validatedUpdateInputs验证并提取模型参数进行更新。
此流程图显示了使用编码器配置程序的代码生成工作流。
有关多类ECOC分类模型的代码生成使用说明和限制，请参阅的代码生成部分CompactClassificationECOC，预测,更新．
创建
利用支持向量机或线性二元学习器训练多类ECOC分类模型fitcecoc，为模型创建一个编码器配置器，使用learnerCoderConfigurer．使用编码器配置器的属性来指定的编码器属性预测而且更新参数。然后,用generateCode根据指定的编码器属性生成C/ c++代码。
属性
预测参数
类的编码器属性预测生成代码中的函数参数。
X- - - - - -预测器数据的编码器属性
LearnerCoderInput对象
的预测器数据的编码器属性传递给生成的C/ c++代码预测ECOC分类模型的功能，指定为LearnerCoderInput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．如果
价值的属性ObservationsIn财产ClassificationECOCCoderConfigurer是“行”,那么这SizeVector值是[n p],在那里n对应于观察数和p对应于预测器的数量。如果
价值的属性ObservationsIn财产ClassificationECOCCoderConfigurer是“列”,那么这SizeVector值是[p n]．
交换…的元素
SizeVector(例如，改变[n p]来[p n]),修改价值的属性ObservationsIn财产ClassificationECOCCoderConfigurer相应的行动。您不能修改SizeVector直接价值。VariableDimensions—默认值为[0 0]，表示数组大小固定为SizeVector．您可以将此值设置为
[1 0]如果SizeVector值是[n p]或[0 1]如果它是[p n]，这表示数组具有可变大小的行和固定大小的列。例如,[1 0]的第一个值SizeVector（n)为行数的上界，的第二个值SizeVector（p)为列数。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,这意味着预测在生成的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，要生成的C/ c++代码接受三个预测器变量(列)的100个观察值(行)的预测器数据，请指定的这些编码器属性X对于编码器配置器配置：
configuration . x . sizevector = [100 3];configurer.X.DataType =“双”；configuration . x . variabledimensions = [0 0];
[0 0]的第一个和第二个维度X(分别是观察数和预测变量数)具有固定的大小。
要允许生成的C/ c++代码接受具有最多100个观察值的预测器数据，请指定这些编码器属性X：
configuration . x . sizevector = [100 3];configurer.X.DataType =“双”；configuration . x . variabledimensions = [1 0];
[1 0]的第一个维度X(观测数)有可变的大小和二次元X(预测变量数量)有固定的大小。指定的观察数(在本例中为100)成为生成的C/ c++代码中允许的最大观察数。若要允许任意数量的观察，请将边界指定为正．
BinaryLoss- - - - - -二元学习者损失函数的编码器属性
EnumeratedInput对象
二元学习者损失函数的编码器属性(“BinaryLoss”的名值对参数预测)，指定为EnumeratedInput对象。
的默认属性值EnumeratedInput对象的默认值预测功能:
价值-二元学习者损失函数，指定为中的字符向量之一BuiltInOptions或者一个指定自定义函数名的字符向量。当二元学习器为支持向量机或支持向量机的线性分类模型时，默认值为“枢纽”．当二元学习者为逻辑回归学习者的线性分类模型时，默认值为“二次”．要使用自定义选项，请在MATLAB搜索路径上定义一个自定义函数，并指定
价值作为自定义函数的名称。SelectedOption—该值为“内置”(默认)或“自定义”．该软件集SelectedOption根据价值．该属性是只读的。BuiltInOptions-单元阵列“汉明”，“线性”，“二次”，“指数”，“binodeviance”，“枢纽”,分对数的．该属性是只读的。IsConstant—必须是真正的．可调谐性—默认值为假．时指定其他属性值可调谐性是假，软件组可调谐性来真正的．
解码- - - - - -解码方案的编码器属性
EnumeratedInput对象
解码方案的编码器属性(“解码”的名值对参数预测)，指定为EnumeratedInput对象。
的默认属性值EnumeratedInput对象的默认值预测功能:
价值-解码方案值，指定为“lossweighted”(默认),“lossbased”,或者一个LearnerCoderInput对象。如果你设置
IsConstant来假，然后软件就会改变价值到一个LearnerCoderInput对象，使用这些只读编码器属性值:SizeVector- - - - - -12 [1]VariableDimensions- - - - - -[0 1]数据类型- - - - - -“字符”可调谐性- 1
生成的代码中的输入是一个可变大小、可调的字符向量
“lossweighted”或“lossbased”．SelectedOption—该值为“内置”(默认)或“非常数的”．该软件集SelectedOption根据价值．该属性是只读的。BuiltInOptions-单元阵列“lossweighted”而且“lossbased”．该属性是只读的。IsConstant—默认值为真正的．如果您将此值设置为假，软件更改价值到一个LearnerCoderInput对象。可调谐性—默认值为假．时指定其他属性值可调谐性是假，软件组可调谐性来真正的．
ObservationsIn- - - - - -预测器数据观测维的编码器属性
EnumeratedInput对象
预测器数据观测维的编码器属性(“ObservationsIn”的名值对参数预测)，指定为EnumeratedInput对象。
方法创建编码器配置器时learnerCoderConfigurer函数,“ObservationsIn”类的默认值EnumeratedInput编码器属性:
价值—默认值是创建编码器配置器时使用的预测器数据观察维度，指定为“行”或“列”．如果不指定“ObservationsIn”在创建编码器配置器时，默认值为“行”．此值必须为
“行”为使用支持向量机二元学习器的模型。SelectedOption—该值为always“内置”．该属性是只读的。BuiltInOptions-单元阵列“行”而且“列”．该属性是只读的。IsConstant—必须是真正的．可调谐性- - - - - -默认值为假如果您指定“ObservationsIn”、“行”在创建编码器配置器时，和真正的如果您指定“ObservationsIn”、“列”．如果你设置可调谐性来假，软件组价值来“行”．时指定其他属性值可调谐性是假，软件组可调谐性来真正的．
NumOutputs- - - - - -的输出数量预测
1(默认)|2|3.
类生成的C/ c++代码返回的输出参数的数目预测ECOC分类模型的功能，指定为1、2或3。
的输出参数预测在顺序:标签(预测类标签),NegLoss(否定的平均二进制损失)，和PBScore(positive-class分数)。预测在生成的C/ c++代码中返回第一个n输出的预测函数,n是NumOutputs价值。
在创建编码器配置器之后配置，您可以使用点表示法指定输出的数量。
配置。NumOutputs= 2;
的NumOutputs财产相当于“-nargout”编译器选项的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。的目标函数generateCode生成两个入口点函数-predict.m而且update.m为预测而且更新函数，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:双
更新参数
类的编码器属性更新生成代码中的函数参数。的更新函数接受经过训练的模型和新的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。要启用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．
BinaryLearners- - - - - -训练过的二进制学习者的编码器属性
ClassificationSVMCoderConfigurer对象|ClassificationLinearCoderConfigurer对象
经过训练的二进制学习者的编码器属性(BinaryLearnersECOC分类模型)，指定为ClassificationSVMCoderConfigurer对象(用于支持向量机二进制学习者)或一个ClassificationLinearCoderConfigurer对象(用于线性二元学习器)。
使用更新参数的支持向量机或线性编码器配置器对象，以指定所有二进制学习者的编码器属性。
的配置BinaryLearners，该软件只使用更新参数属性并忽略对象的其他属性。
当您用支持向量机二元学习者训练ECOC模型时，每个学习者可以有不同数量的支持向量。因此，软件会配置默认属性值LearnerCoderInput对象α，SupportVectorLabels,SupportVectors根据输入参数，适应所有二进制学习器Mdl的learnerCoderConfigurer．
SizeVector这个值是
[s 1]为α而且SupportVectorLabels,在那里年代是二元学习器中支持向量数最大的。这个值是
(s p)为SupportVectors,在那里p是预测器的数量。
VariableDimensions—该值为[0 0]或[1 0]．如果每个学习者的支持向量个数相同，则默认值为[0 0]．否则，该值必须为[1 0]．[0 0]中指定的固定数组大小SizeVector．[1 0]指示数组具有可变大小的行和固定大小的列。在本例中，的第一个值SizeVector是行数的上限，和的第二个值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，并且模型存储线性预测系数(β)没有支持向量和相关值，则该值必须为假．否则，该值必须为真正的．
关于另一个的细节更新参数,看到更新参数的ClassificationSVMCoderConfigurer而且更新参数的ClassificationLinearCoderConfigurer．
成本- - - - - -编码器属性的误分类代价
LearnerCoderInput对象
编码器属性的误分类代价(成本ECOC分类模型)，指定为LearnerCoderInput对象。
的默认属性值LearnerCoderInput对象的值都基于输入实参Mdl的learnerCoderConfigurer：
SizeVector—必须是(c c),在那里c是类的数量。VariableDimensions—必须是[0 0]，表示数组大小固定为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．
之前- - - - - -先验概率的编码器属性
LearnerCoderInput对象
先验概率的编码器属性(之前ECOC分类模型)，指定为LearnerCoderInput对象。
的默认属性值LearnerCoderInput对象的值都基于输入实参Mdl的learnerCoderConfigurer：
SizeVector—必须是(1 c),在那里c是类的数量。VariableDimensions—必须是[0 0]，表示数组大小固定为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．
其他配置选项
OutputFileName- - - - - -生成的C/ c++代码的文件名
“ClassificationECOCModel”(默认)|特征向量
生成的C/ c++代码的文件名，指定为字符向量。
的目标函数generateCode的ClassificationECOCCoderConfigurer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，您可以使用点表示法指定文件名。
配置。OutputFileName =“myModel”；
数据类型:字符
详细的- - - - - -冗长的水平
真正的(逻辑1)(默认)|假(逻辑0)
冗长级别，指定为真正的(逻辑1)或假(逻辑0)。冗余级别控制命令行通知消息的显示。
| 价值 | 描述 |
|---|---|
真正的(逻辑1) |
当您对参数的编码器属性的更改导致其他相关参数的更改时，软件会显示通知消息。 |
假(逻辑0) |
该软件不显示通知消息。 |
要在生成的代码中更新机器学习模型参数，需要在生成代码之前配置参数的编码器属性。参数的编码器属性彼此依赖，因此软件将这些依赖关系存储为配置约束。如果使用编码器配置器修改参数的编码器属性，并且修改需要后续修改其他相关参数以满足配置约束，则软件将更改相关参数的编码器属性。详细程度决定了软件是否为这些后续更改显示通知消息。
在创建编码器配置器之后配置，您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而且update.m)，请使用generateFiles函数，您可以根据您的代码生成工作流修改这些文件。例如，您可以修改predict.m文件中包含数据预处理，或者可以将这些入口点函数添加到另一个代码生成项目中。方法生成C/ c++代码codegen(MATLAB编码器)函数和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起点来设置codegen参数。
CodeGenerationArguments- - - - - -codegen参数
单元阵列
此属性是只读的。
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如果不需要自定义工作流，则使用此函数。
而不是使用generateCode使用编码器配置器配置，你可以生成如下的C/ c++代码:
generateFiles(configurer) cgArgs = configuration . codegenerationarguments;codegen (cgArgs {}):
cgArgs因此之前调用codegen．
的其他属性配置，软件更新CodeGenerationArguments相应的属性。
数据类型:细胞
PredictInputs- - - - - -的可调输入参数的列表预测
单元阵列
此属性是只读的。
入口点函数的可调输入参数列表predict.m对于代码生成，指定为单元格数组。单元格数组包含另一个单元格数组，其中包含编码器。PrimitiveType(MATLAB编码器)对象和编码器。常数(MATLAB编码器)对象。
的编码器属性预测参数，然后软件对相应的对象进行相应的更新。如果指定可调谐性属性是假，然后该软件从PredictInputs列表。
中的单元格数组PredictInputs相当于配置。CodeGenerationArguments {6}对于编码器配置器配置．
数据类型:细胞
UpdateInputs- - - - - -的可调输入参数的列表更新
单元阵列
此属性是只读的。
入口点函数的可调输入参数列表update.m对于代码生成，指定为结构的单元格数组。该结构包括编码器。CellType(MATLAB编码器)对象BinaryLearners而且编码器。PrimitiveType(MATLAB编码器)对象成本而且之前．
的编码器属性更新参数，然后软件对相应的对象进行相应的更新。如果指定可调谐性属性是假，然后该软件从UpdateInputs列表。
的结构UpdateInputs相当于配置。CodeGenerationArguments {3}对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使用编码器配置程序生成代码的文件 |
validatedUpdateInputs |
验证并提取机器学习模型参数进行更新 |
例子
使用编码器配置器生成代码
训练一个机器学习模型，然后生成代码预测而且更新通过使用编码器配置器实现模型的功能。
加载Fisher的虹膜数据集，使用支持向量机二元学习器训练多类ECOC模型。
负载fisheririsX =量;Y =物种;Mdl = fitcecoc (X, Y);
Mdl是一个ClassificationECOC对象。
类的编码器配置器ClassificationECOC模型通过使用learnerCoderConfigurer．指定预测数据X．的learnerCoderConfigurer函数使用输入X属性的编码器属性预测函数的输入。
X配置= learnerCoderConfigurer (Mdl)
configurer = ClassificationECOCCoderConfigurer属性:更新输入:binarylearner: [1x1 ClassificationSVMCoderConfigurer] Prior: [1x1 LearnerCoderInput] Cost: [1x1 LearnerCoderInput]预测输入:X: [1x1 LearnerCoderInput]代码生成参数:NumOutputs: 1 OutputFileName: 'ClassificationECOCModel'属性，方法
配置是一个ClassificationECOCCoderConfigurer对象的编码器配置器ClassificationECOC对象。
要生成C/ c++代码，必须能够访问配置正确的C/ c++编译器。MATLAB Coder定位并使用一个支持的、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。有关更多细节，请参见改变默认的编译器．
为预测而且更新ECOC分类模型的功能(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”、“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而且update.m为预测而且更新的功能Mdl,分别。创建一个名为
ClassificationECOCModel对于两个入口点函数。中为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。
的内容predict.m，update.m,initialize.m文件。类型函数。
类型predict.m
函数varargout = predict(X,varargin) %#codegen %由MATLAB自动生成，8月31日-2022 05:56:40 [varargout{1:nargout}] =初始化('predict'，X,varargin{:});结束
类型update.m
函数update(varargin) %#codegen %由MATLAB自动生成，aug - 31- 2022 05:56:40 initialize('update'，varargin{:});结束
类型initialize.m
function [varargout] = initialize(command,varargin) %#codegen %由MATLAB自动生成，8月31日-2022 05:56:40 code .inline('always')持久模型如果为空(模型)model = loadLearnerForCoder('ClassificationECOCModel.mat');binarylearner % Prior % Cost model = update(model,varargin{:});case 'predict' %预测输入:X X = varargin{1};if nargin == 2 [varargout{1:nargout}] = predict(模型，X);else PVPairs = cell(1,nargin-2);for i = 1:nargin-2 PVPairs{1,i} = varargin{i+1};end [varargout{1:nargout}] = predict(模型，X,PVPairs{:});结束结束结束
生成代码中ECOC分类模型的更新参数
使用支持向量机二进制学习器训练错误校正输出码(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来生成预测新预测器数据标签的C代码。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
载入费雪的虹膜数据集。
负载fisheririsX =量;Y =物种;
创建一个支持向量机二进制学习器模板，使用高斯核函数和标准化预测器数据。
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
类的编码器配置器ClassificationECOC模型通过使用learnerCoderConfigurer．指定预测数据X．的learnerCoderConfigurer函数使用输入X属性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耗。
配置= learnerCoderConfigurer (Mdl X,“NumOutputs”, 2)
configurer = ClassificationECOCCoderConfigurer属性:更新输入:binarylearner: [1x1 ClassificationSVMCoderConfigurer] Prior: [1x1 LearnerCoderInput] Cost: [1x1 LearnerCoderInput]预测输入: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而且更新：X，BinaryLearners，之前,成本．
指定参数的编码器属性
的编码器属性预测参数(预测器数据和名值对参数“解码”而且“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而且更新在生成的代码中。
的编码器属性X这样生成的代码就可以接受任意数量的观察。修改SizeVector而且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 4];configuration . x . variabledimensions = [true false];
第一个维度的大小是观察的数量。在本例中，代码指定大小的上限为正大小是可变的，这意味着X可以有任意数量的观察结果。如果您在生成代码时不知道观察的数量，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，这个值必须固定。X的第二个值包含4个预测器SizeVector属性的第二个值必须为4VariableDimensions属性必须假．
的编码器属性BinaryLoss而且解码使用“BinaryLoss”而且“解码”生成的代码中的名称-值对参数。的编码器属性BinaryLoss．
配置。BinaryLoss
值:'hinge' SelectedOption: '内置' 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)。
的编码器属性解码．
配置。解码
值:'lossweight ' SelectedOption: '内置' BuiltInOptions: {'lossweight ' 'lossbased'} IsConstant: 1可调性:0
指定IsConstant的属性解码作为假这样你就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
值:[1x1 LearnerCoderInput] SelectedOption: 'NonConstant' BuiltInOptions: {'lossweight ' 'lossbased'} IsConstant: 0可调性:1
软件改变了价值的属性解码到一个LearnerCoderInput对象，以便您可以同时使用它们“lossweighted”而且“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SupportVectors．
configurer.BinaryLearners.SupportVectors
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的数量可能会有所不同。因此，增加支持向量个数的上界。
configuration . binarylearners . supportvector . 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。
的编码器属性SupportVectors，则软件修改的编码器属性α而且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更改其他相关参数以满足配置约束，则软件将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]预测输入:X: [1x1 LearnerCoderInput] BinaryLoss: [1x1 EnumeratedInput]解码:[1x1 EnumeratedInput]代码生成参数:NumOutputs: 2 OutputFileName: 'ClassificationECOCModel'属性，方法
现在显示的内容包括BinaryLoss而且解码也
生成代码
要生成C/ c++代码，必须能够访问配置正确的C/ c++编译器。MATLAB Coder定位并使用一个支持的、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。有关更多细节，请参见改变默认的编译器．
为预测而且更新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而且update.m为预测而且更新的功能Mdl,分别。创建一个名为
ClassificationECOCModel对于两个入口点函数。中为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
传递一些预测器数据来验证预测的函数Mdl和预测函数返回相同的标签。若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”作为可调的输入参数IsConstant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，尽管“lossweighted”默认值为“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)如果所有的输入都相等。这一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可能包括四舍五入的差异比较NegLoss．在本例中，进行比较NegLoss_mex来NegLoss，允许小的公差。
找到(abs (NegLoss-NegLoss_mex) > 1 e-8)
Ans = 0x1空双列向量
对比证实了NegLoss而且NegLoss_mex在公差范围内相等吗1 e-8．
在生成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”因此，该软件采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、retrainedMdl);
更新生成代码中的参数。
ClassificationECOCModel (“更新”params)
验证生成的代码
的输出进行比较预测的函数retrainedMdl的输出预测更新后的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
对比证实了标签而且label_mex是相等的,NegLoss而且NegLoss_mex在公差范围内相等。
更多关于
LearnerCoderInput对象
编码器配置程序使用LearnerCoderInput对象指定的编码器属性预测而且更新输入参数。
一个LearnerCoderInput对象具有以下属性，用于在生成的代码中指定输入参数数组的属性。
| 属性名称 | 描述 |
|---|---|
SizeVector |
数组大小，如果对应 数组大小的上限，如果对应 |
VariableDimensions |
指示符，指定数组的每个维度是可变大小还是固定大小，指定为
|
数据类型 |
数组的数据类型 |
可调谐性 |
指示是否使用的指示器 时指定其他属性值 |
在创建编码器配置器之后，可以使用点表示法修改编码器属性。例如，指定系数的编码器属性α在BinaryLearners的编码器配置器配置：
configuration . binarylearners . alpha . sizevector = [100 1];configuration . binarylearner . alpha . variabledimensions = [1 0];configurer.BinaryLearners.Alpha.DataType =“双”；
详细的),真正的(默认值)，则当您修改机器学习模型参数的编码器属性时，软件将显示通知消息，而该修改更改了其他相关参数的编码器属性。
EnumeratedInput对象
编码配置程序使用EnumeratedInput对象指定的编码器属性预测输入参数具有有限的可用值集。
一个EnumeratedInput对象具有以下属性，用于在生成的代码中指定输入参数数组的属性。
| 属性名称 | 描述 |
|---|---|
价值 |
的价值
的默认值。 |
SelectedOption |
所选选项的状态，指定为
该属性是只读的。 |
BuiltInOptions |
对应的可用字符向量的列表 该属性是只读的。 |
IsConstant |
指示符，指定数组值是否为编译时常量( 如果您将此值设置为 |
可调谐性 |
指示是否使用的指示器 时指定其他属性值 |
在创建编码器配置器之后，可以使用点表示法修改编码器属性。例如，指定的编码器属性BinaryLoss的编码器配置器配置：
configurer.BinaryLoss.Value =“线性”；
版本历史
介绍了R2019a
MATLAB命令
你点击了一个对应于这个MATLAB命令的链接:
在MATLAB命令窗口中输入命令来运行该命令。Web浏览器不支持MATLAB命令。
您也可以从以下列表中选择网站:
如何获得最佳的网站性能
选择中国网站(中文或英文)以获得最佳的网站表现。其他MathWorks国家网站没有针对从您的位置访问进行优化。