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。

创建编码器配置器

属性的编码器配置程序ClassificationSVM通过使用learnerCoderConfigurer．指定预测器数据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SVM分类模型参数的编码器属性，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代码的预测器数据的编码器属性，以及SVM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这样生成的代码就可以接受任意数量的观察值。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的大小是可变的还是固定的。

configuration . x . sizevector = [Inf 34];configuration . x . variabledimensions = [true false];

第一个维度的大小是观测的数量。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测值。如果在生成代码时不知道观察数，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，因此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有所不同。金宝app因此，指定的编码器属性金宝appSupportVectors这样您就可以在生成的代码中更新支持向量。金宝app

configurati金宝appon . supportvectors . sizevector = [250 34];

Alpha的SizeVector属性已被修改以满足配置约束。SupportVectorLabels的SizeV金宝appector属性已被修改以满足配置约束。

configurati金宝appon . 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VariableDi金宝appmensions属性以满足配置约束。

的编码器属性金宝appSupportVectors，然后软件修改的编码器属性α而且金宝appSupportVectorLabels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，那么软件将更改相关参数的编码器属性。

生成代码

要生成C/ c++代码，您必须能够访问配置正确的C/ c++编译器。MATLAB Coder定位并使用支持的，已安装的编译器。金宝app你可以使用墨西哥人设置查看和更改默认编译器。详情请参见更改默认编译器．

使用generateCode方法生成代码预测而且更新支持向量机分类模型(Mdl)。

generateCode(配置)

generateCode在output文件夹中创建这些文件:米”、“预测。米”、“更新。米”、“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并将MEX函数复制到当前文件夹中。

验证生成的代码

通过一些预测数据来验证是否正确预测的函数Mdl和预测在MEX函数中的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)如果所有输入都相等。这一比较证实了预测的函数Mdl和预测在MEX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与分数．在这种情况下，比较一下score_mex而且分数，允许一个小的公差。

Find (abs(score-score_mex) > 1e-8)

Ans = 0x1空双列向量

这个比较证实了分数而且score_mex在容忍范围内是否相等1 e-8．

重新训练模型和更新生成代码中的参数

使用整个数据集重新训练模型。

retrainedMdl = fitcsvm(X,Y);

通过使用提取要更新的参数validatedUpdateInputs．该函数检测中修改的模型参数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和预测在更新后的MEX函数中。

[label,score] = predict(retrainedMdl,X);[label_mex,score_mex] = ClassificationSVMModel(“预测”, X);label_mex isequal(标签)

ans =逻辑1

Find (abs(score-score_mex) > 1e-8)

Ans = 0x1空双列向量

这个比较证实了标签而且labels_mex相等，且分值在公差范围内相等。

火车模型

加载费雪的虹膜数据集。

负载fisheririsX = meas;Y =物种;

创建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。

创建编码器配置器

属性的编码器配置程序ClassificationECOC通过使用learnerCoderConfigurer．指定预测器数据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。类的前两个输出，将输出的数量设置为2预测函数，它们是预测的标签和负的平均二进制损失。

configurer = learnerCoderConfigurer(Mdl,X，“NumOutputs”，2)

配置器= ClassificationECOCCoderConfigurer属性:更新输入:BinaryLearners: [1x1 ClassificationSVMCoderConfigurer]优先:[1x1 LearnerCoderInput]成本:[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(支持向量机学习器金宝app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。

首先，指定的编码器属性X这样生成的代码就可以接受任意数量的观察值。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的大小是可变的还是固定的。

configuration . x . sizevector = [Inf 4];configuration . x . variabledimensions = [true false];

第一个维度的大小是观测的数量。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测值。如果在生成代码时不知道观察数，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

ans = EnumeratedInput with properties: Value: '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

ans = EnumeratedInput with properties: Value: 'exponential' SelectedOption: '内置' BuiltInOptions: {1x7 cell} IsConstant: 1可调性:1

如果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

ans = EnumeratedInput with properties: Value: ' los加权' SelectedOption: '内置' BuiltInOptions: {' los加权' 'loss - based'} 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

ans = EnumeratedInput带属性:值:[1x1 LearnerCoderInput] SelectedOption: 'NonConstant' BuiltInOptions: {' los加权' 'loss - based'} 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两者“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．

的编码器属性金宝appSupportVectors在BinaryLearners．的编码器属性金宝appSupportVectors．

configurer.BinaryLearners.金宝appSupportVectors

ans = LearnerCoderInput with properties: SizeVector: [54 4] VariableDimensions: [1 0] DataType: 'double

的默认值VariableDimensions是(真假)因为每个学习器都有不同数量的支持向量。金宝app如果您使用新的数据或不同的设置重新训练ECOC模型，SVM学习器中的支持向量的数量可能会有所不同。金宝app因此，增大支持向量个数的上限。金宝app

configuration . binarylear金宝appners . supportvectors . sizevector = [150 4];

Alpha的SizeVector属性已被修改以满足配置约束。SupportVectorLabels的SizeV金宝appector属性已被修改以满足配置约束。

的编码器属性金宝appSupportVectors，然后软件修改的编码器属性α而且金宝appSupportVectorLabels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，那么软件将更改相关参数的编码器属性。

显示编码器配置器。

配置

配置器= ClassificationECOCCoderConfigurer属性:更新输入:BinaryLearners: [1x1 ClassificationSVMCoderConfigurer]优先:[1x1 LearnerCoderInput]成本:[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

现在显示包括BinaryLoss而且解码也

生成代码

要生成C/ c++代码，您必须能够访问配置正确的C/ c++编译器。MATLAB Coder定位并使用支持的，已安装的编译器。金宝app你可以使用墨西哥人设置查看和更改默认编译器。详情请参见更改默认编译器．

为预测而且更新ECOC分类模型的函数(Mdl)．

generateCode(配置)

generateCode在output文件夹中创建这些文件:米”、“预测。米”、“更新。米”、“ClassificationECOCModel.mat”

的generateCode函数完成以下操作:

验证生成的代码

通过一些预测数据来验证是否正确预测的函数Mdl和预测在MEX函数中的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“lossweighted”是否默认为“解码”．

[label,NegLoss] = predict(Mdl,X，“BinaryLoss”，“指数”）;[label_mex, neglos_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)如果所有输入都相等。这一比较证实了预测的函数Mdl和预测在MEX函数中的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．在这种情况下，比较一下NegLoss_mex来NegLoss，允许一个小的公差。

find(abs(negloss - neglo_mex) > 1e-8)

Ans = 0x1空双列向量

这个比较证实了NegLoss而且NegLoss_mex在容忍范围内是否相等1 e-8．

重新训练模型和更新生成代码中的参数

使用不同的设置重新训练模型。指定“KernelScale”作为“汽车”这样软件就可以使用启发式程序来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);

通过使用提取要更新的参数validatedUpdateInputs．该函数检测中修改的模型参数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的输出预测在更新后的MEX函数中。

[label,NegLoss] = predict(retrainedMdl,X，“BinaryLoss”，“指数”，“解码”，“lossbased”）;[label_mex, neglos_mex] = ClassificationECOCModel(“预测”, X,“BinaryLoss”，“指数”，“解码”，“lossbased”）;label_mex isequal(标签)

ans =逻辑1

find(abs(negloss - neglo_mex) > 1e-8)

Ans = 0x1空双列向量

这个比较证实了标签而且label_mex相等，并且NegLoss而且NegLoss_mex在容忍范围内是相等的。

火车模型

加载carsmall并使用前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。

创建编码器配置器

属性的编码器配置程序RegressionSVM通过使用learnerCoderConfigurer．指定预测器数据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。

configurer = 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后更新生成的代码中的参数。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这样生成的代码就可以接受任意数量的观察值。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的大小是可变的还是固定的。

configuration . x . sizevector = [Inf 2];configuration . x . variabledimensions = [true false];

第一个维度的大小是观测的数量。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测值。如果在生成代码时不知道观察数，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VariableDimensions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有所不同。金宝app因此，指定的编码器属性金宝appSupportVectors这样您就可以在生成的代码中更新支持向量。金宝app

configurati金宝appon . supportvectors . sizevector = [250 2];

Alpha的SizeVector属性已被修改以满足配置约束。

configurati金宝appon . supportvectors . variabledimensions = [true false];

Alpha的VariableDimensions属性已被修改以满足配置约束。

的编码器属性金宝appSupportVectors，然后软件修改的编码器属性α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，那么软件将更改相关参数的编码器属性。

生成代码

要生成C/ c++代码，您必须能够访问配置正确的C/ c++编译器。MATLAB Coder定位并使用支持的，已安装的编译器。金宝app你可以使用墨西哥人设置查看和更改默认编译器。详情请参见更改默认编译器．

使用generateCode方法生成代码预测而且更新支持向量机回归模型(Mdl)。

generateCode(配置)

generateCode在output文件夹中创建这些文件:米”、“预测。米”、“更新。米”、“RegressionSVMModel.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并将MEX函数复制到当前文件夹中。

验证生成的代码

通过一些预测数据来验证是否正确预测的函数Mdl和预测在MEX函数中的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．在这种情况下，比较一下yfit而且yfit_mex，允许一个小的公差。

Find (abs(yfit-yfit_mex) > 1e-6)

Ans = 0x1空双列向量

这个比较证实了yfit而且yfit_mex在容忍范围内是否相等1 e-6．

重新训练模型和更新生成代码中的参数

使用整个数据集重新训练模型。

retrainedMdl = fitrsvm(X,Y);

通过使用提取要更新的参数validatedUpdateInputs．该函数检测中修改的模型参数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和预测在更新后的MEX函数中。

yfit = predict(retrainedMdl,X);yfit_mex = RegressionSVMModel(“预测”, X);Find (abs(yfit-yfit_mex) > 1e-6)

Ans = 0x1空双列向量

这个比较证实了yfit而且yfit_mex在容忍范围内是否相等1 e-6．

火车模型

加载carbig数据集，并训练回归树模型使用一半的观察。

负载carbigX =[排量马力重量];Y = mpg;rng (“默认”)%用于再现性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。

创建编码器配置器

属性的编码器配置程序RegressionTree通过使用learnerCoderConfigurer．指定预测器数据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。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编号。

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后更新生成代码中的参数。

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值。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的大小是可变的还是固定的。

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测的数量。属性的值SizeVector属性来正的值导致软件更改VariableDimensions属性来1．换句话说，大小的上限是正而且预测数据的大小是可变的，这意味着预测数据可以有任意数量的观测值。如果在生成代码时不知道观察数，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。由于预测器数据包含3个预测器，因此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，树中的节点数量可能会发生变化。的第一个维度SizeVector属性，以便您可以更新生成的代码中的节点数: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];

已修改子代的SizeVector属性以满足配置约束。已修改裁剪点的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。已修改子项的VariableDimensions属性以满足配置约束。已修改裁剪点的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，您必须能够访问配置正确的C/ c++编译器。MATLAB Coder定位并使用支持的，已安装的编译器。金宝app你可以使用墨西哥人设置查看和更改默认编译器。详情请参见更改默认编译器．

为预测而且更新回归树模型的功能(Mdl)．

generateCode(配置)

generateCode在output文件夹中创建这些文件:米”、“预测。米”、“更新。米”、“RegressionTreeModel.mat”

的generateCode函数完成以下操作:

验证生成的代码

通过一些预测数据来验证是否正确预测的函数Mdl和预测在MEX函数中的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号。

重新训练模型和更新生成代码中的参数

使用整个数据集重新训练模型。

retrainedMdl = fitrtree(X,Y);

通过使用提取要更新的参数validatedUpdateInputs．该函数检测中修改的模型参数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

方法的输出参数进行比较预测的函数retrainedMdl和预测在更新后的MEX函数中。

[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

结果表明，预测的响应和节点数是一致的。