更新
更新模型参数以生成代码
描述
生成C/ c++代码预测
而且更新
使用编码器配置器对象的机器学习模型的功能。通过使用learnerCoderConfigurer
它的目标函数generateCode
.然后你可以使用更新
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。
此流程图显示了使用编码器配置程序的代码生成工作流。使用更新
对于高亮显示的步骤。
如果不生成代码,则不需要使用更新
函数。当你在MATLAB中重新训练一个模型时®,返回的模型已经包含修改后的参数。
的更新版本updatedMdl
=更新(Mdl
,参数个数
)Mdl
中的新参数参数个数
.
在重新训练一个模型后,使用validatedUpdateInputs
函数来检测在重新训练的模型中修改的参数,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
,验证后的参数作为输入参数个数
更新模型参数。
例子
生成代码中SVM分类模型参数的更新
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标签的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
加载电离层
数据集。该数据集有34个预测器和351个雷达返回二进制响应,坏的(“b”
)或好(‘g’
).利用前50个观测值训练二值支持向量机分类模型。
负载电离层Mdl = fitcsvm(X(1:50,:),Y(1:50));
Mdl
是一个ClassificationSVM
对象。
创建Coder配置器
类的编码器配置器ClassificationSVM
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。另外,将输出的数量设置为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
是一个ClassificationSVMCoderConfigurer
对象的编码器配置器ClassificationSVM
对象。
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器属性,以便在重新训练模型之后可以更新生成代码中的参数。此示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
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 34];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
的值包含34个预测器SizeVector
属性的值必须为34VariableDimensions
属性必须为假
.
如果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不同。因此,指定的编码器属性SupportVectors
这样你就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。
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。
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。你可以用墨西哥人
设置
查看和更改默认编译器。有关更多细节,请参见更改默认编译器.
使用generateCode
来生成的代码预测
而且更新
支持向量机分类模型函数(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
而且update.m
为预测
而且更新
的功能Mdl
,分别。然后generateCode
创建一个名为ClassificationSVMModel
的两个入口点函数codegen \墨西哥人\ ClassificationSVMModel
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。
[label,score] = predict(Mdl,X);[label_mex,score_mex] = ClassificationSVMModel(“预测”, X);
比较标签
而且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。
score_mex
可能包括四舍五入的差异与分数
.在本例中,进行比较score_mex
而且分数
,允许小的公差。
查找(abs(score-score_mex) > 1e-8)
Ans = 0x1空双列向量
对比证实了分数
而且score_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
使用整个数据集重新训练模型。
retrainedMdl = fitcsvm(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。
ClassificationSVMModel (“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
更新后的MEX函数。
[label,score] = predict(retrainedMdl,X);[label_mex,score_mex] = ClassificationSVMModel(“预测”, X);label_mex isequal(标签)
ans =逻辑1
查找(abs(score-score_mex) > 1e-8)
Ans = 0x1空双列向量
对比证实了标签
而且labels_mex
相等,且分值在容许范围内相等。
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 = meas;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Coder配置器
类的编码器配置器ClassificationECOC
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。
配置器= 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
属性必须为假
.
的编码器属性BinaryLoss
而且解码
要使用“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。
configuration . 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。你可以用墨西哥人
设置
查看和更改默认编译器。有关更多细节,请参见更改默认编译器.
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。因为你指定了“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”
.
[label,NegLoss] = predict(Mdl,X,“BinaryLoss”,“指数”);[label_mex, neglo_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。
find(abs(negloss - neglos_mex) > 1e-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”);re - trainedmdl = (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(配置器,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。
[label,NegLoss] = predict(retrainedMdl,X,“BinaryLoss”,“指数”,“解码”,“lossbased”);[label_mex, neglo_mex] = ClassificationECOCModel(“预测”, X,“BinaryLoss”,“指数”,“解码”,“lossbased”);label_mex isequal(标签)
ans =逻辑1
find(abs(negloss - neglos_mex) > 1e-8)
Ans = 0x1空双列向量
对比证实了标签
而且label_mex
相等,并且NegLoss
而且NegLoss_mex
在公差范围内相等。
生成代码中SVM回归模型参数的更新
使用部分数据集训练支持向量机(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
数据集,并用前50个观测值训练支持向量机回归模型。
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Coder配置器
类的编码器配置器RegressionSVM
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。
配置器= 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之后更新生成代码中的参数。此示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
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 2];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
的值包含两个预测器,因此SizeVector
属性的值必须为2VariableDimensions
属性必须为假
.
如果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不同。因此,指定的编码器属性SupportVectors
这样你就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。
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。
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。你可以用墨西哥人
设置
查看和更改默认编译器。有关更多细节,请参见更改默认编译器.
使用generateCode
来生成的代码预测
而且更新
支持向量机回归模型函数(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
而且update.m
为预测
而且更新
的功能Mdl
,分别。然后generateCode
创建一个名为RegressionSVMModel
的两个入口点函数codegen \墨西哥人\ RegressionSVMModel
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
函数返回相同的预测响应。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。
yfit = predict(Mdl,X);yfit_mex = RegressionSVMModel(“预测”, X);
yfit_mex
可能包括四舍五入的差异与yfit
.在本例中,进行比较yfit
而且yfit_mex
,允许小的公差。
查找(abs(yfit-yfit_mex) > 1e-6)
Ans = 0x1空双列向量
对比证实了yfit
而且yfit_mex
在公差范围内相等吗1 e-6
.
在生成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
更新后的MEX函数。
yfit = predict(retrainedMdl,X);yfit_mex = RegressionSVMModel(“预测”, X);查找(abs(yfit-yfit_mex) > 1e-6)
Ans = 0x1空双列向量
对比证实了yfit
而且yfit_mex
在公差范围内相等吗1 e-6
.
生成代码中回归树模型参数的更新
使用部分数据集训练回归树,并为模型创建编码器配置器。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carbig
数据集,并使用一半的观测值训练一个回归树模型。
负载carbigX =[排量马力重量];Y = mpg;rng (“默认”)%用于重现性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Coder配置器
类的编码器配置器RegressionTree
通过使用learnerCoderConfigurer
.指定预测数据XTrain
.的learnerCoderConfigurer
函数使用输入XTrain
属性的编码器属性预测
函数的输入。另外,将输出的数量设置为2,以便生成的代码返回预测的响应和预测的节点号。
配置器= learnerCoderConfigurer(Mdl,XTrain,“NumOutputs”2);
配置
是一个RegressionTreeCoderConfigurer
对象的编码器配置器RegressionTree
对象。
指定参数的编码器属性
指定回归树模型参数的编码器属性,以便您可以在重新训练模型之后更新生成的代码中的参数。
属性的编码器属性X
的属性配置
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 3];configurer.X.VariableDimensions
ans =1x2逻辑阵列1 0
第一个维度的大小是观察的数量。的值SizeVector
属性来正
的值VariableDimensions
属性来1
.换句话说,大小的上限是正
而且大小是可变的,这意味着预测数据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。的值,因为预测器数据包含3个预测器SizeVector
属性必须为3.
的值VariableDimensions
属性必须为0
.
如果您使用新的数据或不同的设置重新训练树模型,那么树中的节点数量可能会发生变化。的第一个维度SizeVector
这些属性之一的属性,以便您可以更新生成代码中的节点数量:孩子们
,割点
,CutPredictorIndex
,或NodeMean
.然后软件会自动修改其他属性。
的第一个值SizeVector
属性NodeMean
财产正
.软件修改SizeVector
而且VariableDimensions
的属性孩子们
,割点
,CutPredictorIndex
匹配树中节点数量的新上限。的第一个值VariableDimensions
的属性NodeMean
更改1
.
configuration . nodemean . sizevector = [Inf 1];
已修改child的SizeVector属性以满足配置约束。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。修改了child的VariableDimensions属性以满足配置约束。修改了CutPoint的VariableDimensions属性以满足配置约束。已修改CutPredictorIndex的VariableDimensions属性以满足配置约束。
configurer.NodeMean.VariableDimensions
ans =1x2逻辑阵列1 0
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。你可以用墨西哥人
设置
查看和更改默认编译器。有关更多细节,请参见更改默认编译器.
为预测
而且更新
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
而且update.m
为预测
而且更新
的功能Mdl
,分别。创建一个名为
RegressionTreeModel
对于两个入口点函数。中为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
传递一些预测器数据来验证预测
的函数Mdl
和预测
函数返回相同的预测响应。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。
[Yfit,node] = predict(Mdl,XTrain);[Yfit_mex,node_mex] = RegressionTreeModel(“预测”, XTrain);
比较Yfit
来Yfit_mex
而且节点
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
可能包括四舍五入的差异比较Yfit
.在这种情况下,比较证实了这一点Yfit
而且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。这一比较证实了预测
的函数Mdl
和预测
函数返回相同的节点编号。
在生成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。
RegressionTreeModel (“更新”params)
验证生成的代码
的输出参数进行比较预测
的函数retrainedMdl
和预测
更新后的MEX函数。
[Yfit,node] = predict(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
比较证实了预测响应和节点数是相等的。
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,如支持的模型表所示。
模型 | 模型对象 |
---|---|
用于多类分类的二叉决策树 | CompactClassificationTree |
支持向量机用于一类和二类分类 | 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 |
有关机器学习模型的代码生成使用说明和限制,请参阅模型对象页面的代码生成部分。
参数个数
- - - - - -要更新的参数
结构
机器学习模型中要更新的参数,指定为一个结构,为每个要更新的参数指定一个字段。
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已修改的参数,验证已修改的参数值是否满足参数的编码器属性,并返回要作为结构更新的参数。
可以更新的参数集因机器学习模型的不同而不同,如下表所述。
模型 | 需要更新的参数 |
---|---|
用于多类分类的二叉决策树 | 孩子们 ,ClassProbability ,成本 ,割点 ,CutPredictorIndex ,之前 |
支持向量机用于一类和二类分类 |
|
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 |
输出参数
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。您必须重新生成C/ c++代码。模型 Update不支持参数 用于多类分类的二叉决策树 参数的 fitctree
- - - - - -“类名”
,“ScoreTransform”
支持向量机用于一类和二类分类 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”
如果指定二进制学习者
fitcecoc
作为模板对象(参见“学习者”
),那么对于每个二元学习者,你不能修改以下内容: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
要创建update.m
入口点功能和MEX功能为入口点功能。假设MEX函数的名称为myModel
,你打电话更新
使用此语法。myModel (“更新”params)
类的内容可以查看如何在入口点函数中使用此页上描述的语法
update.m
而且initialize.m
文件。类型
函数。类型update.m类型initialize.m
的内容作为示例
update.m
而且initialize.m
文件,请参阅使用编码器配置器生成代码.
算法
在编码器配置程序工作流中Mdl
的输入参数更新
返回的模型是loadLearnerForCoder
.这个模型和updatedMdl
对象是主要包含预测所需属性的简化分类或回归模型。
扩展功能
C/ c++代码生成
使用MATLAB®Coder™生成C和c++代码。
使用注意事项和限制:
使用创建编码器配置器
learnerCoderConfigurer
然后生成代码预测
而且更新
通过使用object函数generateCode
.对于代码生成的使用注意事项和机器学习模型的局限性
Mdl
,参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
支持向量机用于一类和二类分类 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
有关更多信息,请参见代码生成简介.
版本历史
在R2018b中介绍
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。