validatedUpdateInputs
验证并提取机器学习模型参数进行更新
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函数。使用创建此对象learnerCoderConfigurer
和它的目标函数generateCode
.在使用新的数据或设置重新训练模型之后,您可以在生成的代码中更新模型参数,而不必重新生成代码。使用validatedUpdateInputs
验证并提取模型参数进行更新。这个函数帮助您在更新生成代码中的模型参数之前识别潜在的问题。的输出validatedUpdateInputs
类的输入参数更新
函数更新模型参数。
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validatedUpdateInputs
对于突出显示的步骤。
返回经过验证的要更新的机器学习模型参数。参数个数
= validatedUpdateInputs (配置
,retrainedMdl
)validatedUpdateInputs
中检测已修改的模型参数retrainedMdl
并验证它们是否满足存储在中的编码器属性配置
.
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,并为模型创建一个编码器配置器。使用编码器配置器的属性指定SVM模型参数的编码器属性。使用编码器配置器的object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,并在生成的代码中更新参数,而不重新生成代码。
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。
生成代码中ECOC分类模型参数的更新
使用SVM二元学习器训练一个纠错输出代码(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指定ECOC模型参数的编码器属性。使用编码器配置器的object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:
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
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。
生成代码中SVM回归模型参数的更新
使用部分数据集训金宝app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指定SVM模型参数的编码器属性。使用编码器配置器的object函数生成C代码,用于预测新预测器数据的响应。然后使用整个数据集重新训练模型,并在生成的代码中更新参数,而不重新生成代码。
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
.
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object函数生成C代码,用于预测新预测器数据的响应。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:
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
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。
输入参数
配置
- - - - - -编码器配置
编码器配置器对象
机器学习模型的编码器配置器,指定为使用创建的编码器配置器对象learnerCoderConfigurer
.
模型 | 编码器配置对象 |
---|---|
用于多类分类的二叉决策树 | ClassificationTreeCoderConfigurer |
支持向量机用于一类和二元分类 | ClassificationSVMCoderConfigurer |
二元分类的线性模型 | ClassificationLinearCoderConfigurer |
支持向量机和线性模型的多类模型 | ClassificationECOCCoderConfigurer |
用于回归的二叉决策树 | RegressionTreeCoderConfigurer |
金宝app支持向量机(SVM)回归 | RegressionSVMCoderConfigurer |
线性回归 | RegressionLinearCoderConfigurer |
retrainedMdl
- - - - - -再训练的机器学习模型
完整模型对象|紧凑模型对象
再训练的机器学习模型,指定为完整或紧凑的模型对象,如支持的模型表所示。金宝app
模型 | 完整/紧凑模型对象 | 培训功能 |
---|---|---|
用于多类分类的二叉决策树 | ClassificationTree ,CompactClassificationTree |
fitctree |
支持向量机用于一类和二元分类 | ClassificationSVM ,CompactClassificationSVM |
fitcsvm |
二元分类的线性模型 | ClassificationLinear |
fitclinear |
支持向量机和线性模型的多类模型 | ClassificationECOC ,CompactClassificationECOC |
fitcecoc |
用于回归的二叉决策树 | RegressionTree ,CompactRegressionTree |
fitrtree |
金宝app支持向量机(SVM)回归 | RegressionSVM ,CompactRegressionSVM |
fitrsvm |
线性回归 | RegressionLinear |
fitrlinear |
输出参数
参数个数
-已验证的参数需要更新
结构
在机器学习模型中更新的经过验证的参数,指定为一个结构,其中每个参数都有一个字段retrainedMdl
.
模型参数参数个数
方法中列出的所有参数UpdateInputs
的属性配置
,为可调模型参数列表。
你可以使用参数个数
的输入参数更新
更新模型参数。
提示
validatedUpdateInputs
如果在重新训练模型时修改了此表中列出的任何名称-值对参数,则返回错误消息retrainedMdl
.在这种情况下,您不能使用更新
更新参数。您必须重新生成C/ c++代码。模型 不支持更新的参数金宝app 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元分类 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”
中指定二进制学习器
fitcecoc
作为模板对象(参见“学习者”
),那么对于每个二元学习器,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”
validatedUpdateInputs
如果机器学习模型参数为配置
而且retrainedMdl
都是相同的。
MATLAB命令
你点击了一个对应于这个MATLAB命令的链接:
在MATLAB命令窗口中输入该命令来运行该命令。Web浏览器不支持MATLAB命令。金宝app
您也可以从以下列表中选择一个网站:
如何获得最佳的网站性能
选择中国站点(中文或英文)以获得最佳站点性能。其他MathWorks国家站点没有针对您所在位置的访问进行优化。