Обучите модель выходных кодов с коррекцией ошибок (ECOC), использующую двоичных учеников SVM, и создайте кодер configurer для модели. Используйте свойства кодера configurer, чтобы задать атрибуты кодера параметров модели ECOC. Используйте объектную функцию кодера configurer, чтобы сгенерировать код С, который предсказывает метки для новых данных о предикторе. Затем переобучите модель с помощью различных настроек и обновите параметры в сгенерированном коде, не регенерируя код.
Модель train
Загрузите ирисовый набор данных Фишера.
Создайте бинарный шаблон ученика SVM, чтобы использовать Гауссову функцию ядра и стандартизировать данные о предикторе.
Обучите мультикласс модель ECOC с помощью шаблона t
.
Mdl
является объектом ClassificationECOC
.
Создайте кодер Конфигурера
Создайте кодер configurer для модели ClassificationECOC
при помощи learnerCoderConfigurer
. Задайте данные о предикторе X
. Функция learnerCoderConfigurer
использует вход X
, чтобы сконфигурировать атрибуты кодера входного параметра функции predict
. Кроме того, определите номер выходных параметров к 2 так, чтобы сгенерированный код возвратил сначала два выходных параметра функции predict
, которые являются предсказанными метками и инвертировали средние бинарные потери.
configurer =
ClassificationECOCCoderConfigurer with properties:
Update Inputs:
BinaryLearners: [1×1 ClassificationSVMCoderConfigurer]
Prior: [1×1 LearnerCoderInput]
Cost: [1×1 LearnerCoderInput]
Predict Inputs:
X: [1×1 LearnerCoderInput]
Code Generation Parameters:
NumOutputs: 2
OutputFileName: 'ClassificationECOCModel'
Properties, Methods
configurer
является объектом ClassificationECOCCoderConfigurer
, который является кодером configurer объекта ClassificationECOC
. Отображение показывает настраиваемые входные параметры predict
и update
: X
, BinaryLearners
, Prior
и Cost
.
Задайте атрибуты кодера параметров
Задайте атрибуты кодера аргументов predict
(данные о предикторе и аргументы пары "имя-значение" 'Decoding'
и 'BinaryLoss'
) и аргументов update
(векторы поддержки учеников SVM) так, чтобы можно было использовать эти аргументы в качестве входных параметров predict
и update
в сгенерированном коде.
Во-первых, задайте атрибуты кодера X
так, чтобы сгенерированный код принял любое количество наблюдений. Измените атрибуты VariableDimensions
и SizeVector
. Атрибут SizeVector
задает верхнюю границу размера данных предиктора, и атрибут VariableDimensions
задает, имеет ли каждая размерность данных о предикторе переменный размер или фиксированный размер.
Размер первой размерности является количеством наблюдений. В этом случае код указывает, что верхней границей размера является Inf
, и размер является переменным, означая, что X
может иметь любое количество наблюдений. Эта спецификация удобна, если вы не знаете количество наблюдений при генерации кода.
Размер второго измерения является количеством переменных прогноза. Это значение должно быть зафиксировано для модели машинного обучения. X
содержит 4 предиктора, таким образом, второе значение атрибута SizeVector
должно быть 4, и вторым значением атрибута VariableDimensions
должен быть false
.
Затем, измените атрибуты кодера BinaryLoss
и Decoding
, чтобы использовать аргументы пары "имя-значение" 'BinaryLoss'
и 'Decoding'
в сгенерированном коде. Отобразите атрибуты кодера BinaryLoss
.
ans =
EnumeratedInput with properties:
Value: 'hinge'
SelectedOption: 'Built-in'
BuiltInOptions: {'hamming' 'linear' 'quadratic' 'exponential' 'binodeviance' 'hinge' 'logit'}
IsConstant: 1
Tunability: 0
Чтобы использовать значение не по умолчанию в сгенерированном коде, необходимо задать значение прежде, чем сгенерировать код. Задайте атрибут Value
BinaryLoss
как 'exponential'
.
ans =
EnumeratedInput with properties:
Value: 'exponential'
SelectedOption: 'Built-in'
BuiltInOptions: {'hamming' 'linear' 'quadratic' 'exponential' 'binodeviance' 'hinge' 'logit'}
IsConstant: 1
Tunability: 1
Если вы изменяете значения атрибута, когда Tunability
является false
(логический ноль), программное обеспечение устанавливает Tunability
на true
(логическая единица).
Отобразите атрибуты кодера Decoding
.
ans =
EnumeratedInput with properties:
Value: 'lossweighted'
SelectedOption: 'Built-in'
BuiltInOptions: {'lossweighted' 'lossbased'}
IsConstant: 1
Tunability: 0
Задайте атрибут IsConstant
Decoding
как false
так, чтобы можно было использовать все доступные значения в BuiltInOptions
в сгенерированном коде.
ans =
EnumeratedInput with properties:
Value: [1×1 LearnerCoderInput]
SelectedOption: 'NonConstant'
BuiltInOptions: {'lossweighted' 'lossbased'}
IsConstant: 0
Tunability: 1
Программное обеспечение изменяет атрибут Value
Decoding
к объекту LearnerCoderInput
так, чтобы можно было использовать и 'lossweighted'
и 'lossbased
' как значение 'Decoding'
. Кроме того, программное обеспечение устанавливает SelectedOption
на 'NonConstant'
и Tunability
к true
.
Наконец, измените атрибуты кодера SupportVectors
в BinaryLearners
. Отобразите атрибуты кодера SupportVectors
.
ans =
LearnerCoderInput with properties:
SizeVector: [54 4]
VariableDimensions: [1 0]
DataType: 'double'
Tunability: 1
Значением по умолчанию VariableDimensions
является [true false]
, потому что у каждого ученика есть различное количество векторов поддержки. Если вы переобучаете модель ECOC с помощью новых данных или различных настроек, количество векторов поддержки в учениках SVM может отличаться. Поэтому увеличьте верхнюю границу количества векторов поддержки.
SizeVector attribute for Alpha has been modified to satisfy configuration constraints.
SizeVector attribute for SupportVectorLabels has been modified to satisfy configuration constraints.
Если вы изменяете атрибуты кодера SupportVectors
, то программное обеспечение изменяет атрибуты кодера Alpha
и SupportVectorLabels
, чтобы удовлетворить ограничения настройки. Если модификация атрибутов кодера одного параметра требует, чтобы последующие изменения к другим зависимым параметрам удовлетворили ограничения настройки, то программное обеспечение изменяет атрибуты кодера зависимых параметров.
Отобразите кодер configurer.
configurer =
ClassificationECOCCoderConfigurer with properties:
Update Inputs:
BinaryLearners: [1×1 ClassificationSVMCoderConfigurer]
Prior: [1×1 LearnerCoderInput]
Cost: [1×1 LearnerCoderInput]
Predict Inputs:
X: [1×1 LearnerCoderInput]
BinaryLoss: [1×1 EnumeratedInput]
Decoding: [1×1 EnumeratedInput]
Code Generation Parameters:
NumOutputs: 2
OutputFileName: 'ClassificationECOCModel'
Properties, Methods
Отображение теперь включает BinaryLoss
и Decoding
также.
Сгенерируйте код
Чтобы сгенерировать код C/C++, у вас должен быть доступ к компилятору C/C++, который сконфигурирован правильно. MATLAB Coder определяет местоположение и использует поддерживаемый, установленный компилятор. Можно использовать mex
-setup
, чтобы просмотреть и изменить компилятор по умолчанию. Для получения дополнительной информации см. Компилятор Значения по умолчанию Изменения (MATLAB).
Сгенерируйте код для predict
и функций update
модели классификации ECOC (Mdl
) с настройками по умолчанию.
generateCode creates these files in output folder:
'initialize.m', 'predict.m', 'update.m', 'ClassificationECOCModel.mat'
Функция generateCode
завершает эти действия:
Сгенерируйте файлы MATLAB, требуемые сгенерировать код, включая две функции точки входа predict.m
и update.m
для predict
и функций update
Mdl
, соответственно.
Создайте MEX-функцию под названием ClassificationECOCModel
для двух функций точки входа.
Создайте код для MEX-функции в папке codegen\mex\ClassificationECOCModel
.
Скопируйте MEX-функцию в текущую папку.
Проверьте сгенерированный код
Передайте некоторые данные о предикторе, чтобы проверить, возвращают ли функция predict
Mdl
и функция predict
в MEX-функции те же метки. Чтобы вызвать функцию точки входа в MEX-функции, которая имеет больше чем одну точку входа, задайте имя функции как первый входной параметр. Поскольку вы задали 'Decoding'
как настраиваемый входной параметр путем изменения атрибута IsConstant
прежде, чем сгенерировать код, также необходимо задать его в вызове MEX-функции, даже при том, что 'lossweighted'
является значением по умолчанию 'Decoding'
.
Сравните label
с label_mex
при помощи isequal
.
isequal
возвращает логическую единицу (true
), если все входные параметры равны. Сравнение подтверждает, что функция predict
Mdl
и функция predict
в MEX-функции возвращают те же метки.
NegLoss_mex
может включать различия в округлении по сравнению с NegLoss
. В этом случае сравните NegLoss_mex
с NegLoss
, позволив маленький допуск.
ans =
0×1 empty double column vector
Сравнение подтверждает, что NegLoss
и NegLoss_mex
равны в допуске 1e–8
.
Переобучите модель и обновите параметры в сгенерированном коде
Переобучите модель с помощью различной установки. Задайте 'KernelScale'
как 'auto'
так, чтобы программное обеспечение выбрало соответствующий масштабный коэффициент с помощью эвристической процедуры.
Извлеките параметры, чтобы обновить при помощи validatedUpdateInputs
. Эта функция обнаруживает измененные параметры модели в retrainedMdl
и подтверждает, удовлетворяют ли измененные значения параметров атрибуты кодера параметров.
Обновите параметры в сгенерированном коде.
Проверьте сгенерированный код
Сравните выходные параметры от функции predict
retrainedMdl
к выходным параметрам от функции predict
в обновленной MEX-функции.
ans =
0×1 empty double column vector
Сравнение подтверждает, что labels
и labels_mex
равны, и NegLoss
и NegLoss_mex
равны в допуске.