ClassificationSVM Predict

Классифицируйте наблюдения с помощью классификатора машины опорных векторов (SVM) для и бинарной классификации одного класса

расширьте все на странице

Библиотека:
Statistics and Machine Learning Toolbox / Классификация

Описание

Блок ClassificationSVM Predict классифицирует наблюдения с помощью объекта ClassificationSVM классификации SVM и его объектная функция predict для одного класса и 2D класса (двоичный файл) классификация.

Импортируйте обученный объект классификации SVM в блок путем определения имени переменной рабочей области, которая содержит ClassificationSVM объект. Входной порт X получает наблюдение (данные о предикторе), и выходной порт Label, возвращает предсказанную метку класса для наблюдения. Можно добавить дополнительный выходной порт Score, который возвращает предсказанные баллы класса или апостериорные вероятности.

Порты

Входной параметр

развернуть все

`X` — Данные о предикторе
вектор-строка | вектор-столбец

Данные о предикторе в виде вектор-столбца или вектора-строки из одного наблюдения.

Зависимости

Переменные в X должны иметь тот же порядок как переменные предикторы, которые обучили модель SVM, заданную Select trained machine learning model.
Если вы устанавливаете 'Standardize',true \in fitcsvm когда обучение модель SVM, затем блок ClassificationSVM Predict стандартизирует значения X с помощью средних значений и стандартных отклонений в Mu и Sigma свойства (соответственно) модели SVM.

Вывод

развернуть все

`Label` — Предсказанная метка класса
скаляр

Предсказанная метка класса, возвращенная как скаляр.

Зависимости

Для изучения одного класса Label является значением, представляющим положительный класс.
Для изучения 2D класса Label является классом, дающим к самому большому счету или самой большой апостериорной вероятности.

`Score` — Предсказанные баллы класса или апостериорные вероятности
скаляр | вектор 1 на 2

Предсказанные баллы класса или апостериорные вероятности, возвращенные как скаляр для изучения одного класса или вектор 1 на 2 для изучения 2D класса.

Для изучения одного класса Score является классификационной оценкой положительного класса. Вы не можете получить апостериорные вероятности для изучения одного класса.
Для изучения 2D класса Score является вектором 1 на 2.
- Первый и второй элемент Score соответствует классификационным оценкам отрицательного класса (svmMdl.ClassNames(1)) и положительный класс (svmMdl.ClassNames(2)), соответственно, где svmMdl модель SVM, заданная Select trained machine learning model. Можно использовать ClassNames свойство svmMdl проверять отрицательные и положительные имена классов.
- Если вы соответствуете оптимальному счету к использованию функции преобразования апостериорной вероятности fitPosterior или fitSVMPosterior, затем Score содержит апостериорные вероятности класса. В противном случае Score содержит оценки класса.

Зависимости

Чтобы включить этот порт, установите флажок для Add output port for predicted class scores на вкладке Main диалогового окна Block Parameters.

Параметры

развернуть все

Основной

`Select trained machine learning model` — Модель классификации SVM
`svmMdl` (значение по умолчанию) | `ClassificationSVM` возразите | `CompactClassificationSVM` объект

Задайте имя переменной рабочей области, которая содержит ClassificationSVM объект или CompactClassificationSVM объект.

Когда вы обучаете модель SVM при помощи fitcsvm, следующие ограничения применяются:

Данные о предикторе не могут включать категориальные предикторы (logicalкатегориальный'char'Строка, или cell). Если вы снабжаете обучающими данными в таблице, предикторы должны быть числовыми (double или single). Кроме того, вы не можете использовать 'CategoricalPredictors' аргумент пары "имя-значение". Чтобы включать категориальные предикторы в модель SVM, предварительно обработайте категориальные предикторы при помощи dummyvar прежде, чем подбирать модель SVM.
Значение 'ScoreTransform' аргументом пары "имя-значение" не может быть 'invlogit' или анонимная функция. Для блока, который предсказывает апостериорные вероятности, данные новые наблюдения, передайте обученную модель SVM fitPosterior или fitSVMPosterior.
Значение 'KernelFunction' аргументом пары "имя-значение" должен быть 'gaussian', 'linear', или 'polynomial'.

Программируемое использование

Параметры блоков: TrainedLearner

Ввод: переменная рабочей области

Значения: ClassificationSVM возразите | CompactClassificationSVM объект

Значение по умолчанию: svmMdl

`Add output port for predicted class scores` — Добавьте второй выходной порт для предсказанных баллов класса
`off` (значение по умолчанию) | `on`

Установите флажок, чтобы включать второй выходной порт Score в блок ClassificationSVM Predict.

Программируемое использование

Параметры блоков: ShowOutputScore

Ввод: символьный вектор

Значения: 'off' | 'on'

Значение по умолчанию: 'off'

Типы данных

Фиксированная точка операционные параметры

`Integer rounding mode` — Режим Rounding для операций фиксированной точки
`Floor` (значение по умолчанию) | `Ceiling` | `Convergent` | `Nearest` | `Round` | `Simplest` | `Zero`

Задайте округляющийся режим для операций фиксированной точки. Для получения дополнительной информации смотрите Округление (Fixed-Point Designer).

Параметры блоков всегда вокруг к самому близкому представимому значению. Чтобы управлять округлением параметров блоков, введите выражение с помощью функции округления MATLAB^® в поле маски.

Программируемое использование

Параметры блоков: RndMeth

Ввод: символьный вектор

Значение по умолчанию: 'Floor'

`Saturate on integer overflow` — Метод действия переполнения
`off` (значение по умолчанию) | `on`

Задайте, насыщает ли переполнение или переносится.

Действие Объяснение Повлияйте на переполнение Пример

Действие	Объяснение	Повлияйте на переполнение	Пример
Установите этот флажок (`on`).	Ваша модель имеет возможное переполнение, и вы хотите явную защиту насыщения в сгенерированном коде.	Переполнение насыщает или к минимальному или к максимальному значению, которое может представлять тип данных.	Максимальное значение, что `int8` (8-битное целое число со знаком) тип данных может представлять, 127. Любой результат блочной операции, больше, чем это максимальное значение, вызывает переполнение 8-битного целого числа. С установленным флажком блок выход насыщает в 127. Точно так же блок выход насыщает в минимальном выходном значении –128.
Снимите этот флажок (`off`).	Вы хотите оптимизировать КПД своего сгенерированного кода. Вы не хотите чрезмерно определять, как блок обрабатывает сигналы из области значений. Для получения дополнительной информации смотрите Ошибки Диапазона сигнала Поиска и устранения неисправностей (Simulink).	Переполнение переносится к соответствующему значению, которое может представлять тип данных.	Максимальное значение, что `int8` (8-битное целое число со знаком) тип данных может представлять, 127. Любой результат блочной операции, больше, чем это максимальное значение, вызывает переполнение 8-битного целого числа. Со снятым флажком программное обеспечение интерпретирует значение порождения переполнения как `int8`, который может привести к непреднамеренному результату. Например, результат блока 130 (двоичный файл 1000 0010) описанный как `int8` –126.

Установите этот флажок (on).

Ваша модель имеет возможное переполнение, и вы хотите явную защиту насыщения в сгенерированном коде.

Переполнение насыщает или к минимальному или к максимальному значению, которое может представлять тип данных.

Максимальное значение, что int8 (8-битное целое число со знаком) тип данных может представлять, 127. Любой результат блочной операции, больше, чем это максимальное значение, вызывает переполнение 8-битного целого числа. С установленным флажком блок выход насыщает в 127. Точно так же блок выход насыщает в минимальном выходном значении –128.

Снимите этот флажок (off).

Вы хотите оптимизировать КПД своего сгенерированного кода.

Вы не хотите чрезмерно определять, как блок обрабатывает сигналы из области значений. Для получения дополнительной информации смотрите Ошибки Диапазона сигнала Поиска и устранения неисправностей (Simulink).

Переполнение переносится к соответствующему значению, которое может представлять тип данных.

Максимальное значение, что int8 (8-битное целое число со знаком) тип данных может представлять, 127. Любой результат блочной операции, больше, чем это максимальное значение, вызывает переполнение 8-битного целого числа. Со снятым флажком программное обеспечение интерпретирует значение порождения переполнения как int8, который может привести к непреднамеренному результату. Например, результат блока 130 (двоичный файл 1000 0010) описанный как int8 –126.

Программируемое использование

Параметры блоков: SaturateOnIntegerOverflow

Ввод: символьный вектор

Значения: 'off' | 'on'

Значение по умолчанию: 'off'

`Lock output data type setting against changes by the fixed-point tools` — Препятствуйте тому, чтобы Fixed-Point Tool заменили тип данных
`off` (значение по умолчанию) | `on`

Выберите этот параметр, чтобы препятствовать тому, чтобы Fixed-Point Tool заменили тип данных, который вы задаете для блока. Для получения дополнительной информации смотрите, что Тип Выходных данных Блокировки Использования Устанавливает (Fixed-Point Designer).

Программируемое использование

Параметры блоков: LockScale

Ввод: символьный вектор

Значения: 'off' | 'on'

Значение по умолчанию: 'off'

Тип данных

`Label data type` — Тип данных Label выход
`Inherit: Inherit via back propagation` (значение по умолчанию) | `Inherit: Inherit from 'Constant value'` | `double` | `single` | `int8` | `uint8` | `int16` | `uint16` | `int32` | `uint32` | `int64` | `uint64` | `boolean` | `fixdt(1,16)` | `fixdt(1,16,0)` | `fixdt(1,16,2^0,0)` | `Enum: <class name>` | `<data type expression>`

Задайте тип данных для Label выход. Тип может быть наследован, задан непосредственно или описан как объект типа данных, такой как Simulink.NumericType.

Когда вы выбираете наследованную опцию, программное обеспечение ведет себя можно следующим образом:

Inherit: Inherit via back propagation — Simulink автоматически определяет Label data type блока во время распространения типа данных (см. Распространение Типа данных (Simulink)). В этом случае блок использует тип данных нисходящего блока или объекта сигнала.
Inherit: Inherit from 'Constant value' — Блок ClassificationSVM predict использует блок Constant под маской. Тип данных блока Constant зависит от наблюдаемых меток класса, которые обучили модель SVM, заданную Select trained machine learning model.
- Если наблюдаемые метки класса являются числовыми, то типом данных блока Constant является double.
- Если наблюдаемыми метками класса является logical, затем типом данных блока Constant является boolean.
- Если наблюдаемые метки класса не являются числовыми или logical, затем блок Constant использует enumerated переменная enumLabels типа данных. Например, если метками класса является class 1 и class 2, затем соответствующими значениями Label является enumLabels.class_1 и enumLabels.class_2. Блок преобразует метки класса в допустимые идентификаторы MATLAB при помощи matlab.lang.makeValidName функция.

Для получения дополнительной информации о типах данных, смотрите Типы данных Управляющего сигнала (Simulink).

Нажмите кнопку Show data type assistant, чтобы отобразить Data Type Assistant, который помогает вам установить атрибуты типа данных. Для получения дополнительной информации смотрите, Задают Типы данных Используя Ассистент Типа данных (Simulink).

Программируемое использование

Параметры блоков: LabelDataTypeStr

Ввод: символьный вектор

Значение по умолчанию: 'Inherit: Inherit via back propagation'

`Label minimum` — Минимальное значение Label выход для проверки диапазона
`[]` (значение по умолчанию) | скаляр

Нижнее значение Label область значений выхода, которую проверяет Simulink^®.

Simulink использует минимальное значение, чтобы выполнить:

Проверка диапазона параметра (см., Задает Минимальные и Максимальные значения для Параметров блоков (Simulink)) для некоторых блоков.
Проверка диапазона симуляции (см., Указывает Диапазоны сигнала (Simulink) и Включает Проверку диапазона Симуляции (Simulink)).
Автоматическое масштабирование типов данных с фиксированной точкой.
Оптимизация кода, который вы генерируете из модели. Эта оптимизация может удалить алгоритмический код и влиять на результаты некоторых режимов симуляции, такие как SIL или режим external mode. Для получения дополнительной информации смотрите, Оптимизируют использование заданных минимальных и максимальных значений (Embedded Coder).

Примечание

Параметр Label minimum не насыщает или отсекает фактический выходной сигнал Label. Используйте блок Saturation (Simulink) вместо этого.

Программируемое использование

Параметры блоков: LabelOutMin

Ввод: символьный вектор

Значения: '[ ]'| скаляр

Значение по умолчанию: '[ ]'

`Label maximum` — Максимальное значение Label выход для проверки диапазона
`[]` (значение по умолчанию) | скаляр

Верхнее значение Label область значений выхода это Simulink Check.

Simulink использует максимальное значение, чтобы выполнить:

Проверка диапазона параметра (см., Задает Минимальные и Максимальные значения для Параметров блоков (Simulink)) для некоторых блоков.
Проверка диапазона симуляции (см., Указывает Диапазоны сигнала (Simulink) и Включает Проверку диапазона Симуляции (Simulink)).
Автоматическое масштабирование типов данных с фиксированной точкой.
Оптимизация кода, который вы генерируете из модели. Эта оптимизация может удалить алгоритмический код и влиять на результаты некоторых режимов симуляции, такие как SIL или режим external mode. Для получения дополнительной информации смотрите, Оптимизируют использование заданных минимальных и максимальных значений (Embedded Coder).

Примечание

Параметр Label maximum не насыщает или отсекает фактический выходной сигнал Label. Используйте блок Saturation (Simulink) вместо этого.

Программируемое использование

Параметры блоков: LabelOutMax

Ввод: символьный вектор

Значения: '[ ]'| скаляр

Значение по умолчанию: '[ ]'

`Score data type` — Тип данных Score выход
`double` (значение по умолчанию) | `Inherit: auto` | `single` | `int8` | `uint8` | `int16` | `uint16` | `int32` | `uint32` | `int64` | `uint64` | `fixdt(1,16)` | `fixdt(1,16,0)` | `fixdt(1,16,2^0,0)` | `<data type expression>`

Задайте тип данных для Score выход. Тип может быть наследован, задан непосредственно или описан как объект типа данных, такой как Simulink.NumericType.

Когда вы выбираете Inherit: auto, блок использует правило, которое наследовало тип данных.

Для получения дополнительной информации о типах данных, смотрите Типы данных Управляющего сигнала (Simulink).

Программируемое использование

Параметры блоков: ScoreDataTypeStr

Ввод: символьный вектор

Значение по умолчанию: 'double'

`Score minimum` — Минимальное значение Score выход для проверки диапазона
`[]` (значение по умолчанию) | скаляр

Нижнее значение Score область значений выхода это Simulink Check.

Simulink использует минимальное значение, чтобы выполнить:

Проверка диапазона параметра (см., Задает Минимальные и Максимальные значения для Параметров блоков (Simulink)) для некоторых блоков.
Проверка диапазона симуляции (см., Указывает Диапазоны сигнала (Simulink) и Включает Проверку диапазона Симуляции (Simulink)).
Автоматическое масштабирование типов данных с фиксированной точкой.
Оптимизация кода, который вы генерируете из модели. Эта оптимизация может удалить алгоритмический код и влиять на результаты некоторых режимов симуляции, такие как SIL или режим external mode. Для получения дополнительной информации смотрите, Оптимизируют использование заданных минимальных и максимальных значений (Embedded Coder).

Примечание

Параметр Score minimum не насыщает или отсекает фактический сигнал Score. Используйте блок Saturation (Simulink) вместо этого.

Программируемое использование

Параметры блоков: ScoreOutMin

Ввод: символьный вектор

Значения: '[ ]'| скаляр

Значение по умолчанию: '[ ]'

`Score maximum` — Максимальное значение Score выход для проверки диапазона
`[]` (значение по умолчанию) | скаляр

Верхнее значение Score область значений выхода это Simulink Check.

Simulink использует максимальное значение, чтобы выполнить:

Проверка диапазона параметра (см., Задает Минимальные и Максимальные значения для Параметров блоков (Simulink)) для некоторых блоков.
Проверка диапазона симуляции (см., Указывает Диапазоны сигнала (Simulink) и Включает Проверку диапазона Симуляции (Simulink)).
Автоматическое масштабирование типов данных с фиксированной точкой.
Оптимизация кода, который вы генерируете из модели. Эта оптимизация может удалить алгоритмический код и влиять на результаты некоторых режимов симуляции, такие как SIL или режим external mode. Для получения дополнительной информации смотрите, Оптимизируют использование заданных минимальных и максимальных значений (Embedded Coder).

Примечание

Параметр Score maximum не насыщает или отсекает фактический сигнал Score. Используйте блок Saturation (Simulink) вместо этого.

Программируемое использование

Параметры блоков: ScoreOutMax

Ввод: символьный вектор

Значения: '[ ]'| скаляр

Значение по умолчанию: '[ ]'

`Raw score data type` — Непреобразованный тип данных счета
`double` (значение по умолчанию) | `Inherit: auto` | `single` | `int8` | `uint8` | `int16` | `uint16` | `int32` | `uint32` | `int64` | `uint64` | `fixdt(1,16)` | `fixdt(1,16,0)` | `fixdt(1,16,2^0,0)` | `<data type expression>`

Задайте тип данных для внутренних непреобразованных баллов. Тип может быть наследован, задан непосредственно или описан как объект типа данных, такой как Simulink.NumericType.

Когда вы выбираете Inherit: auto, блок использует правило, которое наследовало тип данных.

Для получения дополнительной информации о типах данных, смотрите Типы данных Управляющего сигнала (Simulink).

Программируемое использование

Параметры блоков: RawScoreDataTypeStr

Ввод: символьный вектор

Значение по умолчанию: 'double'

`Raw score minimum` — Минимум непреобразованный счет к проверке диапазона
`[]` (значение по умолчанию) | скаляр

Нижнее значение непреобразованной области значений счета это Simulink Check.

Simulink использует минимальное значение, чтобы выполнить:

Проверка диапазона параметра (см., Задает Минимальные и Максимальные значения для Параметров блоков (Simulink)) для некоторых блоков.
Проверка диапазона симуляции (см., Указывает Диапазоны сигнала (Simulink) и Включает Проверку диапазона Симуляции (Simulink)).
Автоматическое масштабирование типов данных с фиксированной точкой.
Оптимизация кода, который вы генерируете из модели. Эта оптимизация может удалить алгоритмический код и влиять на результаты некоторых режимов симуляции, такие как SIL или режим external mode. Для получения дополнительной информации смотрите, Оптимизируют использование заданных минимальных и максимальных значений (Embedded Coder).

Примечание

Параметр Raw score minimum не насыщает или отсекает фактический непреобразованный сигнал счета.

Программируемое использование

Параметры блоков: RawScoreOutMin

Ввод: символьный вектор

Значения: '[ ]'| скаляр

Значение по умолчанию: '[ ]'

`Raw score maximum` — Максимум непреобразованный счет к проверке диапазона
`[]` (значение по умолчанию) | скаляр

Верхнее значение непреобразованной области значений счета это Simulink Check.

Simulink использует максимальное значение, чтобы выполнить:

Проверка диапазона параметра (см., Задает Минимальные и Максимальные значения для Параметров блоков (Simulink)) для некоторых блоков.
Проверка диапазона симуляции (см., Указывает Диапазоны сигнала (Simulink) и Включает Проверку диапазона Симуляции (Simulink)).
Автоматическое масштабирование типов данных с фиксированной точкой.
Оптимизация кода, который вы генерируете из модели. Эта оптимизация может удалить алгоритмический код и влиять на результаты некоторых режимов симуляции, такие как SIL или режим external mode. Для получения дополнительной информации смотрите, Оптимизируют использование заданных минимальных и максимальных значений (Embedded Coder).

Примечание

Параметр Raw score maximum не насыщает или отсекает фактический непреобразованный сигнал счета.

Программируемое использование

Параметры блоков: RawScoreOutMax

Ввод: символьный вектор

Значения: '[ ]'| скаляр

Значение по умолчанию: '[ ]'

`Kernel data type` — Тип данных расчета ядра
`double` (значение по умолчанию) | `Inherit: Inherit via internal rule` | `Inherit: Keep MSB` | `Inherit: Match scaling` | `single` | `int8` | `uint8` | `int16` | `uint16` | `int32` | `int64` | `uint64` | `uint32` | `fixdt(1,16)` | `fixdt(1,16,0)` | `fixdt(1,16,2^0,0)` | `<data type expression>`

Задайте тип данных параметра для расчета ядра.

Параметр Kernel data type задает тип данных различного параметра в зависимости от типа функции ядра заданной модели SVM. Вы задаете 'KernelFunction' аргумент пары "имя-значение", когда обучение модель SVM.

`'KernelFunction'` значение	Тип данных
`'gaussian'` или `'rbf'`	Kernel data type задает тип данных квадрата расстояния $D^{2} = {‖ x - s ‖}^{2}$ для Гауссова ядра $G (x, s) = \exp (- D^{2})$ , где x является данными о предикторе для наблюдения, и s является вектором поддержки.
`'linear'`	Kernel data type задает тип данных для выхода линейной функции ядра $G (x, s) = x s'$ , где x является данными о предикторе для наблюдения, и s является вектором поддержки.
`'polynomial'`	Kernel data type задает тип данных для выхода полиномиальной функции ядра $G (x, s) = {(1 + x s')}^{p}$ , где x является данными о предикторе для наблюдения, s является вектором поддержки, и p является полиномиальным порядком функции ядра.

Тип может быть наследован, задан непосредственно или описан как объект типа данных, такой как Simulink.NumericType.

Когда вы выбираете наследованную опцию, программное обеспечение ведет себя можно следующим образом:

Inherit: Inherit via internal rule — Блок использует внутреннее правило, чтобы определить его тип данных. Внутреннее правило выбирает тип данных, который оптимизирует числовую точность, эффективность и размер сгенерированного кода, при принятии во внимание свойств оборудования целевого процессора. Программное обеспечение не может одновременно оптимизировать КПД и числовую точность во всех ситуациях.
Inherit: Keep MSB — Simulink выбирает тип данных, который обеспечивает полный спектр операции, и затем уменьшает точность до размера, подходящего для оборудования целевого процессора. Это правило никогда не производит переполнение.

Совет
Для более эффективного сгенерированного кода очистите параметр Saturate on integer overflow.
Inherit: Match scaling — Simulink выбирает тип данных, масштабирование которого соответствий масштабирование входных типов, где вход относится к входу блока под маской. Если полный спектр типа не соответствует на оборудовании целевого процессора, программное обеспечение уменьшает область значений, чтобы дать к типу, который подходит для оборудования целевого процессора. Это правило может произвести переполнение.
Программное обеспечение не может одновременно оптимизировать КПД кода и числовую точность во всех ситуациях. Если эти внутренние правила не удовлетворяют ваши определенные потребности для числовой точности или эффективности, используйте одну из следующих опций:
- Задайте тип данных явным образом.
- Задайте тип данных по умолчанию явным образом, такой как fixdt(1,32,16), и затем используйте Fixed-Point Tool, чтобы предложить типы данных для вашей модели. Для получения дополнительной информации смотрите fxptdlg (Fixed-Point Designer).
Inherit: Inherit via back propagation — (Не рекомендуемый), блок использует тип данных нисходящего блока под маской.
Inherit: Same as first input — (Не рекомендуемый), Этот первый вход относится к первому входу блока под маской.

Для получения дополнительной информации о типах данных, смотрите Типы данных Управляющего сигнала (Simulink).

Программируемое использование

Параметры блоков: KernelDataTypeStr

Ввод: символьный вектор

Значение по умолчанию: 'double'

`Kernel minimum` — Минимальное значение расчета ядра для проверки диапазона
`[]` (значение по умолчанию) | скаляр

Нижнее значение области значений внутренней переменной расчета ядра это Simulink Check.

Simulink использует минимальное значение, чтобы выполнить:

Проверка диапазона параметра (см., Задает Минимальные и Максимальные значения для Параметров блоков (Simulink)) для некоторых блоков.
Проверка диапазона симуляции (см., Указывает Диапазоны сигнала (Simulink) и Включает Проверку диапазона Симуляции (Simulink)).
Автоматическое масштабирование типов данных с фиксированной точкой.
Оптимизация кода, который вы генерируете из модели. Эта оптимизация может удалить алгоритмический код и влиять на результаты некоторых режимов симуляции, такие как SIL или режим external mode. Для получения дополнительной информации смотрите, Оптимизируют использование заданных минимальных и максимальных значений (Embedded Coder).

Примечание

Параметр Kernel minimum не насыщает или отсекает фактический сигнал значения расчета ядра.

Программируемое использование

Параметры блоков: KernelOutMin

Ввод: символьный вектор

Значения: '[ ]'| скаляр

Значение по умолчанию: '[ ]'

`Kernel maximum` — Максимальное значение расчета ядра для проверки диапазона
`[]` (значение по умолчанию) | скаляр

Верхнее значение области значений внутренней переменной расчета ядра это Simulink Check.

Simulink использует максимальное значение, чтобы выполнить:

Проверка диапазона параметра (см., Задает Минимальные и Максимальные значения для Параметров блоков (Simulink)) для некоторых блоков.
Проверка диапазона симуляции (см., Указывает Диапазоны сигнала (Simulink) и Включает Проверку диапазона Симуляции (Simulink)).
Автоматическое масштабирование типов данных с фиксированной точкой.
Оптимизация кода, который вы генерируете из модели. Эта оптимизация может удалить алгоритмический код и влиять на результаты некоторых режимов симуляции, такие как SIL или режим external mode. Для получения дополнительной информации смотрите, Оптимизируют использование заданных минимальных и максимальных значений (Embedded Coder).

Примечание

Параметр Kernel maximum не насыщает или отсекает фактический сигнал значения расчета ядра.

Программируемое использование

Параметры блоков: KernelOutMax

Ввод: символьный вектор

Значения: '[ ]'| скаляр

Значение по умолчанию: '[ ]'

Примеры модели

Predict Class Labels Using ClassificationSVM Predict Block

Предскажите, что метки класса Используя ClassificationSVM предсказывают блок

Используйте блок ClassificationSVM Predict для предсказания метки. Блок принимает наблюдение (данные о предикторе) и возвращает предсказанную метку класса и счет класса к наблюдению с помощью обученной модели классификации машин опорных векторов (SVM).

Скрипт Open Live Script

Больше о

развернуть все

Классификационная оценка

classification score SVM для классификации наблюдения x является расстоянием со знаком от x до контура решения в пределах от - ∞ к + ∞. Положительный счет к классу указывает, что x предсказан, чтобы быть в том классе. Отрицательный счет указывает в противном случае.

Положительная классификационная оценка класса $f (x)$ обученная функция классификации SVM. $f (x)$ также числовой предсказанный ответ для x или счет к предсказанию x в положительный класс.

$f (x) = \sum_{j = 1}^{n} α_{j} y_{j} G (x_{j}, x) + b,$

где $(α_{1}, ..., α_{n}, b)$ предполагаемые параметры SVM, $G (x_{j}, x)$ скалярное произведение на пробеле предиктора между x и векторами поддержки, и сумма включает наблюдения набора обучающих данных. Отрицательная классификационная оценка класса для x или счет к предсказанию x в отрицательный класс, является –f (x).

Если G (_xj, x) = _xj ′x (линейное ядро), то функция счета уменьшает до

$f (x) = (x / s)' β + b .$

s является шкалой ядра, и β является вектором из подходящих линейных коэффициентов.

Для получения дополнительной информации смотрите Машины опорных векторов Понимания.

Апостериорная вероятность

posterior probability является вероятностью, что наблюдение принадлежит конкретного класса, учитывая данные.

Для SVM апостериорная вероятность является функцией счета P (s), что наблюдение j находится в классе k = {-1,1}.

Для отделимых классов апостериорная вероятность является ступенчатой функцией

$P (s_{j}) = {\begin{cases} \begin{matrix} 0; & s < \max_{y_{k} = - 1} s_{k} \end{matrix} \\ \begin{matrix} π; & \max_{y_{k} = - 1} s_{k} \leq s_{j} \leq \min_{y_{k} = + 1} s_{k} \end{matrix} \\ \begin{matrix} 1; & s_{j} > \min_{y_{k} = + 1} s_{k} \end{matrix} \end{cases},$
где:
- _sj является счетом наблюдения j.
- +1 и –1 обозначают положительные и отрицательные классы, соответственно.
- π является априорной вероятностью, что наблюдение находится в положительном классе.
Для неотделимых классов апостериорная вероятность является сигмоидальной функцией

$P (s_{j}) = \frac{1}{1 + \exp (A s_{j} + B)},$
где параметры A и B являются наклоном и прерывают параметры, соответственно.

Априорная вероятность

prior probability класса является принятой относительной частотой, с которой наблюдения от того класса происходят в населении.

Советы

Если вы используете линейную модель SVM, и она имеет много векторов поддержки, то предсказание (классифицирующий наблюдения) может быть медленным. Чтобы эффективно классифицировать наблюдения на основе линейной модели SVM, удалите векторы поддержки из ClassificationSVM объект при помощи discardSupportVectors.

Альтернативная функциональность

Можно использовать блок MATLAB function с predict объектная функция ClassificationSVM объект. Для примера смотрите, Предсказывают, что Класс Маркирует Using MATLAB Function Block.

При решении, использовать ли блок ClassificationSVM Predict в библиотеке Statistics and Machine Learning Toolbox™ или блоке MATLAB function с predict функционируйте, рассмотрите следующее:

Если вы используете библиотечный блок Statistics and Machine Learning Toolbox, можно использовать Fixed-Point Tool (Fixed-Point Designer), чтобы преобразовать модель с плавающей точкой в фиксированную точку.
Поддержка массивов переменного размера должна быть включена для блока MATLAB function с predict функция.
Если вы используете блок MATLAB function, можно использовать функции MATLAB для предварительной обработки или последующей обработки прежде или после предсказаний в том же блоке MATLAB function.

Документация

ClassificationSVM Predict

Описание

Порты

Входной параметр

X — Данные о предикторе вектор-строка | вектор-столбец

Зависимости

Вывод

Label — Предсказанная метка класса скаляр

Зависимости

Score — Предсказанные баллы класса или апостериорные вероятности скаляр | вектор 1 на 2

Зависимости

Параметры

Основной

Select trained machine learning model — Модель классификации SVM svmMdl (значение по умолчанию) | ClassificationSVM возразите | CompactClassificationSVM объект

Программируемое использование

Add output port for predicted class scores — Добавьте второй выходной порт для предсказанных баллов класса off (значение по умолчанию) | on

Программируемое использование

Типы данных

Integer rounding mode — Режим Rounding для операций фиксированной точки Floor (значение по умолчанию) | Ceiling | Convergent | Nearest | Round | Simplest | Zero

Программируемое использование

Saturate on integer overflow — Метод действия переполнения off (значение по умолчанию) | on

Программируемое использование

Lock output data type setting against changes by the fixed-point tools — Препятствуйте тому, чтобы Fixed-Point Tool заменили тип данных off (значение по умолчанию) | on

Программируемое использование

Программируемое использование

Label minimum — Минимальное значение Label выход для проверки диапазона [] (значение по умолчанию) | скаляр

Программируемое использование

Label maximum — Максимальное значение Label выход для проверки диапазона [] (значение по умолчанию) | скаляр

Программируемое использование

Score data type — Тип данных Score выход double (значение по умолчанию) | Inherit: auto | single | int8 | uint8 | int16 | uint16 | int32 | uint32 | int64 | uint64 | fixdt(1,16) | fixdt(1,16,0) | fixdt(1,16,2^0,0) | <data type expression>

Программируемое использование

Score minimum — Минимальное значение Score выход для проверки диапазона [] (значение по умолчанию) | скаляр

Программируемое использование

Score maximum — Максимальное значение Score выход для проверки диапазона [] (значение по умолчанию) | скаляр

Программируемое использование

Программируемое использование

Raw score minimum — Минимум непреобразованный счет к проверке диапазона [] (значение по умолчанию) | скаляр

Программируемое использование

Raw score maximum — Максимум непреобразованный счет к проверке диапазона [] (значение по умолчанию) | скаляр

Программируемое использование

Программируемое использование

Kernel minimum — Минимальное значение расчета ядра для проверки диапазона [] (значение по умолчанию) | скаляр

Программируемое использование

Kernel maximum — Максимальное значение расчета ядра для проверки диапазона [] (значение по умолчанию) | скаляр

Программируемое использование

Примеры модели

Предскажите, что метки класса Используя ClassificationSVM предсказывают блок

Больше о

Классификационная оценка

Апостериорная вероятность

Априорная вероятность

Советы

Альтернативная функциональность

Расширенные возможности

Генерация кода C/C++ Генерация кода C и C++ с помощью Simulink® Coder™.

Преобразование фиксированной точки Спроектируйте и симулируйте системы фиксированной точки с помощью Fixed-Point Designer™.

Смотрите также

Объекты

Функции

Темы

Документация Statistics and Machine Learning Toolbox

Поддержка

`X` — Данные о предикторе
вектор-строка | вектор-столбец

`Label` — Предсказанная метка класса
скаляр

`Score` — Предсказанные баллы класса или апостериорные вероятности
скаляр | вектор 1 на 2

`Select trained machine learning model` — Модель классификации SVM
`svmMdl` (значение по умолчанию) | `ClassificationSVM` возразите | `CompactClassificationSVM` объект

`Add output port for predicted class scores` — Добавьте второй выходной порт для предсказанных баллов класса
`off` (значение по умолчанию) | `on`

`Integer rounding mode` — Режим Rounding для операций фиксированной точки
`Floor` (значение по умолчанию) | `Ceiling` | `Convergent` | `Nearest` | `Round` | `Simplest` | `Zero`

`Saturate on integer overflow` — Метод действия переполнения
`off` (значение по умолчанию) | `on`

`Lock output data type setting against changes by the fixed-point tools` — Препятствуйте тому, чтобы Fixed-Point Tool заменили тип данных
`off` (значение по умолчанию) | `on`

`Label minimum` — Минимальное значение Label выход для проверки диапазона
`[]` (значение по умолчанию) | скаляр

`Label maximum` — Максимальное значение Label выход для проверки диапазона
`[]` (значение по умолчанию) | скаляр

`Score minimum` — Минимальное значение Score выход для проверки диапазона
`[]` (значение по умолчанию) | скаляр

`Score maximum` — Максимальное значение Score выход для проверки диапазона
`[]` (значение по умолчанию) | скаляр

`Raw score minimum` — Минимум непреобразованный счет к проверке диапазона
`[]` (значение по умолчанию) | скаляр

`Raw score maximum` — Максимум непреобразованный счет к проверке диапазона
`[]` (значение по умолчанию) | скаляр

`Kernel minimum` — Минимальное значение расчета ядра для проверки диапазона
`[]` (значение по умолчанию) | скаляр

`Kernel maximum` — Максимальное значение расчета ядра для проверки диапазона
`[]` (значение по умолчанию) | скаляр

Генерация кода C/C++
Генерация кода C и C++ с помощью Simulink® Coder™.

Преобразование фиксированной точки
Спроектируйте и симулируйте системы фиксированной точки с помощью Fixed-Point Designer™.