ClassificationECOCCoderConfigurer

Кодер configurer для модели мультикласса использование бинарных учеников

Описание

ClassificationECOCCoderConfigurer объект является кодером configurer модели классификации выходных кодов с коррекцией ошибок (ECOC) мультикласса (ClassificationECOC или CompactClassificationECOC) это использует машину опорных векторов (SVM) или линейных бинарных учеников.

Кодер configurer предлагает удобные функции, чтобы сконфигурировать опции генерации кода, сгенерировать код C/C++ и обновить параметры модели в сгенерированном коде.

Сконфигурируйте опции генерации кода и задайте атрибуты кодера параметров модели при помощи свойств объектов.
Сгенерируйте код C/C++ для predict и update функции модели ECOC при помощи generateCode. Генерация кода C/C++ требует MATLAB^® Coder™.
Обновите параметры модели в сгенерированном коде C/C++, не имея необходимость регенерировать код. Эта функция уменьшает усилие, требуемое регенерировать, повторно развернуть, и повторно проверить код C/C++, когда вы переобучаете модель с новыми данными или настройками. Прежде, чем обновить параметры модели, использовать validatedUpdateInputs подтверждать и извлекать параметры модели, чтобы обновиться.

Эта блок-схема показывает рабочий процесс генерации кода с помощью кодера configurer.

Для указаний и ограничений по применению генерации кода мультикласса модель классификации ECOC смотрите разделы Генерации кода CompactClassificationECOC, predict, и update.

Создание

После обучения мультикласс модель классификации ECOC с SVM или линейными бинарными учениками при помощи fitcecoc, создайте кодер configurer для модели при помощи learnerCoderConfigurer. Используйте свойства кодера configurer, чтобы задать атрибуты кодера predict и update аргументы. Затем используйте generateCode сгенерировать код C/C++ на основе заданных атрибутов кодера.

Свойства

развернуть все

`predict` Аргументы

Свойства, перечисленные в этом разделе, задают атрибуты кодера predict аргументы функции в сгенерированном коде.

`X` — Атрибуты кодера данных о предикторе
`LearnerCoderInput` объект

Атрибуты кодера данных о предикторе, чтобы передать сгенерированному коду C/C++ для predict функция модели классификации ECOC в виде LearnerCoderInput объект.

Когда вы создаете кодер configurer при помощи learnerCoderConfigurer функция, входной параметр X определяет значения по умолчанию LearnerCoderInput атрибуты кодера:

SizeVector — Значением по умолчанию является размер массивов входа X.
- Если Value атрибут ObservationsIn свойство для ClassificationECOCCoderConfigurer 'rows', затем этот SizeVector значением является [n p], где n соответствует количеству наблюдений и p соответствует количеству предикторов.
- Если Value атрибут ObservationsIn свойство для ClassificationECOCCoderConfigurer 'columns', затем этот SizeVector значением является [p n].
Переключить элементы SizeVector (например, чтобы изменить [n p] к [p n]), измените Value атрибут ObservationsIn свойство для ClassificationECOCCoderConfigurer соответственно. Вы не можете изменить SizeVector оцените непосредственно.
VariableDimensions — Значением по умолчанию является [0 0], который указывает, что размер массивов фиксируется, как задано в SizeVector.
Можно установить это значение к [1 0] если SizeVector значением является [n p] или к [0 1] если это - [p n], который указывает, что массив имеет строки переменного размера и столбцы фиксированного размера. Например, [1 0] указывает что первое значение SizeVector N) верхняя граница для количества строк и второго значения SizeVector P) количество столбцов.
DataType — Этим значением является single или double. Тип данных по умолчанию зависит от типа данных входа X.
Tunability — Этим значением должен быть true, значение этого predict в сгенерированном коде C/C++ всегда включает данные о предикторе как вход.

Можно изменить атрибуты кодера при помощи записи через точку. Например, чтобы сгенерировать код C/C++, который принимает данные о предикторе с 100 наблюдениями (в строках) трех переменных предикторов (в столбцах), задайте эти атрибуты кодера X для кодера configurer configurer:

configurer.X.SizeVector = [100 3];
configurer.X.DataType = 'double';
configurer.X.VariableDimensions = [0 0];

[0 0] указывает что первые и вторые измерения X (количество наблюдений и количество переменных предикторов, соответственно), имеют фиксированные размеры.

Чтобы позволить сгенерированному коду C/C++ принимать данные о предикторе максимум с 100 наблюдениями, задайте эти атрибуты кодера X:

configurer.X.SizeVector = [100 3];
configurer.X.DataType = 'double';
configurer.X.VariableDimensions = [1 0];

[1 0] указывает что первая размерность X (количество наблюдений), имеет переменный размер и второе измерение X (количество переменных предикторов), имеет фиксированный размер. Конкретное количество наблюдений, 100 в этом примере, становится максимальным позволенным количеством наблюдений в сгенерированном коде C/C++. Чтобы позволить любое количество наблюдений, задайте связанное как Inf.

`BinaryLoss` — Атрибуты кодера бинарной функции потерь ученика
`EnumeratedInput` объект

Атрибуты кодера бинарной функции потерь ученика ('BinaryLoss' аргумент пары "имя-значение" predict) в виде EnumeratedInput объект.

Значения атрибута по умолчанию EnumeratedInput объект основан на значениях по умолчанию predict функция:

Value — Бинарная функция потерь ученика в виде одного из векторов символов в BuiltInOptions или вектор символов, определяющий пользовательское имя функции. Если бинарные ученики являются SVMs или линейными моделями классификации учеников SVM, значением по умолчанию является 'hinge'. Если бинарные ученики являются линейными моделями классификации учеников логистической регрессии, значением по умолчанию является 'quadratic'.
Чтобы использовать пользовательскую опцию, задайте пользовательскую функцию на пути поиска файлов MATLAB и задайте Value как имя пользовательской функции.
SelectedOption — Этим значением является 'Built-in'(значение по умолчанию) или 'Custom'. Программное обеспечение устанавливает SelectedOption согласно Value. Этот атрибут только для чтения.
BuiltInOptions — Массив ячеек 'hamming', 'linear', 'quadratic', 'exponential', 'binodeviance', 'hinge', и 'logit'. Этот атрибут только для чтения.
IsConstant — Этим значением должен быть true.
Tunability — Значением по умолчанию является false. Если вы задаете другие значения атрибута когда Tunability false, программное обеспечение устанавливает Tunability к true.

`Decoding` — Атрибуты кодера декодирования схемы
`EnumeratedInput` объект

Атрибуты кодера схемы декодирования ('Decoding' аргумент пары "имя-значение" predict) в виде EnumeratedInput объект.

Значения атрибута по умолчанию EnumeratedInput объект основан на значениях по умолчанию predict функция:

Value — Декодирование значения схемы в виде 'lossweighted'(значение по умолчанию), 'lossbased', или LearnerCoderInput объект.
Если вы устанавливаете IsConstant к false, затем программное обеспечение изменяет Value к LearnerCoderInput объект с этими значениями атрибута кодера только для чтения:
- SizeVector— [1 12]
- VariableDimensions— [0 1]
- DataType 'char'
- Tunability — 1
Вход в сгенерированном коде является переменным размером, настраиваемый вектор символов, который является любой 'lossweighted' или 'lossbased'.
SelectedOption — Этим значением является 'Built-in'(значение по умолчанию) или 'NonConstant'. Программное обеспечение устанавливает SelectedOption согласно Value. Этот атрибут только для чтения.
BuiltInOptions — Массив ячеек 'lossweighted' и 'lossbased'. Этот атрибут только для чтения.
IsConstant — Значением по умолчанию является true. Если вы устанавливаете это значение к false, программное обеспечение изменяет Value к LearnerCoderInput объект.
Tunability — Значением по умолчанию является false. Если вы задаете другие значения атрибута когда Tunability false, программное обеспечение устанавливает Tunability к true.

`ObservationsIn` — Атрибуты кодера размерности наблюдения данных о предикторе
`EnumeratedInput` объект

Атрибуты кодера размерности наблюдения данных о предикторе ('ObservationsIn' аргумент пары "имя-значение" predict) в виде EnumeratedInput объект.

Когда вы создаете кодер configurer при помощи learnerCoderConfigurer функция, 'ObservationsIn' аргумент пары "имя-значение" определяет значения по умолчанию EnumeratedInput атрибуты кодера:

Value — Значением по умолчанию является размерность наблюдения данных о предикторе, которую вы используете при создании кодера configurer в виде 'rows' или 'columns'. Если вы не задаете 'ObservationsIn' при создании кодера configurer, значением по умолчанию является 'rows'.
Этим значением должен быть 'rows' для модели, которая использует бинарных учеников SVM.
SelectedOption — Этим значением всегда является 'Built-in'. Этот атрибут только для чтения.
BuiltInOptions — Массив ячеек 'rows' и 'columns'. Этот атрибут только для чтения.
IsConstant — Этим значением должен быть true.
Tunability — Значением по умолчанию является false если вы задаете 'ObservationsIn','rows' при создании кодера configurer и true если вы задаете 'ObservationsIn','columns'. Если вы устанавливаете Tunability к false, программное обеспечение устанавливает Value к 'rows'. Если вы задаете другие значения атрибута когда Tunability false, программное обеспечение устанавливает Tunability к true.

`NumOutputs` — Количество выходных параметров в `predict`
1 (значение по умолчанию) | 2 | 3

Количество выходных аргументов, чтобы возвратиться из сгенерированного кода C/C++ для predict функция модели классификации ECOC в виде 1, 2, или 3.

Выходные аргументы predict в порядке: label (предсказанные метки класса), NegLoss (отрицаемые средние бинарные потери), и PBScore (баллы положительного класса). predict на сгенерированном C/C++ код возвращает первый n выходные параметры predict функция, где n NumOutputs значение.

После создания кодера configurer configurer, можно задать количество выходных параметров при помощи записи через точку.

configurer.NumOutputs = 2;

NumOutputs свойство эквивалентно '-nargout' параметр компилятора codegen (MATLAB Coder). Эта опция задает количество выходных аргументов в функции точки входа генерации кода. Объектная функция generateCode генерирует две функции точки входа — predict.m и update.m для predict и update функции модели классификации ECOC, соответственно — и генерируют код C/C++ для двух функций точки входа. Заданное значение для NumOutputs свойство соответствует количеству выходных аргументов в функции точки входа predict.m.

Типы данных: double

`update` Аргументы

Свойства, перечисленные в этом разделе, задают атрибуты кодера update аргументы функции в сгенерированном коде. update функционируйте берет обученные и новые параметры модели модели в качестве входных параметров и возвращает обновленную версию модели, которая содержит новые параметры. Чтобы позволить обновить параметры в сгенерированном коде, необходимо задать атрибуты кодера параметров прежде, чем сгенерировать код. Используйте LearnerCoderInput объект задать атрибуты кодера каждого параметра. Значения атрибута по умолчанию основаны на параметрах модели во входном параметре Mdl из learnerCoderConfigurer.

`BinaryLearners` — Атрибуты кодера обученных бинарных учеников
`ClassificationSVMCoderConfigurer` возразите | `ClassificationLinearCoderConfigurer` объект

Атрибуты кодера обученных бинарных учеников (BinaryLearners из модели классификации ECOC) в виде ClassificationSVMCoderConfigurer объект (для бинарных учеников SVM) или ClassificationLinearCoderConfigurer объект (для линейных бинарных учеников).

Используйте update аргументы SVM или линейного кодера configurer возражают, чтобы задать атрибуты кодера всех бинарных учеников.

Для ClassificationSVMCoderConfigurer, update аргументами является Alpha\beta, Bias, Cost\mu, Priorшкала\sigma, SupportVectorLabels, и SupportVectors.
Для ClassificationLinearCoderConfigurer, update аргументами является Beta, Bias, Cost, и Prior.

Для настройки BinaryLearners, программное обеспечение использует только update свойства аргумента и игнорируют другие свойства объекта.

Когда вы обучаете модель ECOC с бинарными учениками SVM, у каждого ученика может быть различное количество векторов поддержки. Поэтому программное обеспечение конфигурирует значения атрибута по умолчанию LearnerCoderInput объекты для Alpha, SupportVectorLabels, и SupportVectors вмещать всех бинарных учеников, на основе входного параметра Mdl из learnerCoderConfigurer.

SizeVector
- Этим значением является [s 1] для Alpha и SupportVectorLabels, где s наибольшее число векторов поддержки в бинарных учениках.
- Этим значением является [s p] для SupportVectors, где p количество предикторов.
VariableDimensions — Этим значением является [0 0] или [1 0]. Если у каждого ученика есть то же количество векторов поддержки, значением по умолчанию является [0 0]. В противном случае этим значением должен быть [1 0].
- [0 0] указывает, что размер массивов фиксируется, как задано в SizeVector.
- [1 0] указывает, что массив имеет строки переменного размера и столбцы фиксированного размера. В этом случае, первое значение SizeVector верхняя граница для количества строк и второго значения SizeVector количество столбцов.
DataType — Этим значением является 'single' или 'double'. Тип данных по умолчанию сопоставим с типом данных обучающих данных, которые вы используете, чтобы обучить Mdl.
Tunability — Если вы обучаете модель с линейной функцией ядра, и модель хранит линейные коэффициенты предиктора (Beta) без векторов поддержки и связанных значений, затем этим значением должен быть false. В противном случае этим значением должен быть true.

Для получения дополнительной информации о другом update аргументы, смотрите update аргументы ClassificationSVMCoderConfigurer и update аргументы ClassificationLinearCoderConfigurer.

`Cost` — Атрибуты кодера misclassification стоятся
`LearnerCoderInput` объект

Атрибуты кодера стоимости misclassification (Cost из модели классификации ECOC) в виде LearnerCoderInput объект.

Значения атрибута по умолчанию LearnerCoderInput объект основан на входном параметре Mdl из learnerCoderConfigurer:

SizeVector — Этим значением должен быть [c c], где c количество классов.
VariableDimensions — Этим значением должен быть [0 0], указание, что размер массивов фиксируется, как задано в SizeVector.
DataType — Этим значением является 'single' или 'double'. Тип данных по умолчанию сопоставим с типом данных обучающих данных, которые вы используете, чтобы обучить Mdl.
Tunability — Значением по умолчанию является true.

`Prior` — Атрибуты кодера априорных вероятностей
`LearnerCoderInput` объект

Атрибуты кодера априорных вероятностей (Prior из модели классификации ECOC) в виде LearnerCoderInput объект.

Значения атрибута по умолчанию LearnerCoderInput объект основан на входном параметре Mdl из learnerCoderConfigurer:

SizeVector — Этим значением должен быть [1 c], где c количество классов.
VariableDimensions — Этим значением должен быть [0 0], указание, что размер массивов фиксируется, как задано в SizeVector.
DataType — Этим значением является 'single' или 'double'. Тип данных по умолчанию сопоставим с типом данных обучающих данных, которые вы используете, чтобы обучить Mdl.
Tunability — Значением по умолчанию является true.

Другие опции Configurer

`OutputFileName` — Имя файла сгенерированного кода C/C++
`'ClassificationECOCModel'` (значение по умолчанию) | вектор символов

Имя файла сгенерированного кода C/C++ в виде вектора символов.

Объектная функция generateCode из ClassificationECOCCoderConfigurer генерирует код C/C++ с помощью этого имени файла.

Имя файла не должно содержать пробелы, потому что они могут привести к отказам генерации кода в определенных настройках операционной системы. Кроме того, имя должно быть допустимым именем функции MATLAB.

После создания кодера configurer configurer, можно задать имя файла при помощи записи через точку.

configurer.OutputFileName = 'myModel';

Типы данных: char

`Verbose` — Уровень многословия
`true` (логическая единица) (значение по умолчанию) | `false` (логический ноль)

Уровень многословия в виде true (логическая единица) или false (логический ноль). Контроль уровня многословия отображение уведомлений в командной строке.

Значение	Описание
`true` (логическая единица)	Программное обеспечение отображает уведомления, когда ваши изменения в атрибутах кодера параметра приводят к изменениям для других зависимых параметров.
`false` (логический ноль)	Программное обеспечение не отображает уведомления.

Чтобы позволить обновить параметры модели машинного обучения в сгенерированном коде, необходимо сконфигурировать атрибуты кодера параметров прежде, чем сгенерировать код. Атрибуты кодера параметров зависят друг от друга, таким образом, программное обеспечение хранит зависимости как ограничения настройки. Если вы изменяете атрибуты кодера параметра при помощи кодера configurer, и модификация требует, чтобы последующие изменения к другим зависимым параметрам удовлетворили ограничениям настройки, то программное обеспечение изменяет атрибуты кодера зависимых параметров. Уровень многословия определяет, отображает ли программное обеспечение уведомления для этих последующих изменений.

После создания кодера configurer configurer, можно изменить уровень многословия при помощи записи через точку.

configurer.Verbose = false;

Типы данных: логический

Опции для индивидуальной настройки генерации кода

Чтобы настроить рабочий процесс генерации кода, используйте generateFiles функционируйте и следующие три свойства с codegen (MATLAB Coder), вместо того, чтобы использовать generateCode функция.

После генерации двух файлов функции точки входа (predict.m и update.m) при помощи generateFiles функция, можно изменить эти файлы согласно рабочему процессу генерации кода. Например, можно изменить predict.m файл, чтобы включать предварительную обработку данных, или можно добавить эти функции точки входа в другой проект генерации кода. Затем можно сгенерировать код C/C++ при помощи codegen (MATLAB Coder) функция и codegen аргументы, подходящие для модифицированных функций точки входа или проекта генерации кода. Используйте эти три свойства, описанные в этом разделе как начальная точка установленного codegen аргументы.

`CodeGenerationArguments` — `codegen` аргументы
cellArray

Это свойство доступно только для чтения.

codegen Аргументы (MATLAB Coder) в виде массива ячеек.

Это свойство позволяет вам настроить рабочий процесс генерации кода. Используйте generateCode функционируйте, если вы не должны настраивать свой рабочий процесс.

Вместо использования generateCode с кодером configurer configurer, можно сгенерировать код C/C++ можно следующим образом:

generateFiles(configurer)
cgArgs = configurer.CodeGenerationArguments;
codegen(cgArgs{:})

Если вы настраиваете рабочий процесс генерации кода, изменяете cgArgs соответственно перед вызовом codegen.

Если вы изменяете другие свойства configurer, обновления программного обеспечения CodeGenerationArguments свойство соответственно.

Типы данных: cell

`PredictInputs` — Список настраиваемых входных параметров `predict`
cellArray

Это свойство доступно только для чтения.

Список настраиваемых входных параметров точки входа функционирует predict.m для генерации кода в виде массива ячеек. Массив ячеек содержит другой массив ячеек, который включает coder.PrimitiveType (MATLAB Coder) объекты и coder.Constant (MATLAB Coder) объекты.

Если вы изменяете атрибуты кодера predict аргументы, затем обновления программного обеспечения соответствующие объекты соответственно. Если вы задаете Tunability припишите как false, затем программное обеспечение удаляет соответствующие объекты из PredictInputs список.

Массив ячеек в PredictInputs эквивалентно configurer.CodeGenerationArguments{6} для кодера configurer configurer.

Типы данных: cell

`UpdateInputs` — Список настраиваемых входных параметров `update`
cellArray

Это свойство доступно только для чтения.

Список настраиваемых входных параметров точки входа функционирует update.m для генерации кода в виде массива ячеек структуры. Структура включает coder.CellType Объект (MATLAB Coder) для BinaryLearners и coder.PrimitiveType (MATLAB Coder) возражает для Cost и Prior.

Если вы изменяете атрибуты кодера update аргументы, затем обновления программного обеспечения соответствующие объекты соответственно. Если вы задаете Tunability припишите как false, затем программное обеспечение удаляет соответствующий объект из UpdateInputs список.

Структура в UpdateInputs эквивалентно configurer.CodeGenerationArguments{3} для кодера configurer configurer.

Типы данных: cell

Функции объекта

`generateCode`	Сгенерируйте код C/C++ с помощью кодера configurer
`generateFiles`	Сгенерируйте файлы MATLAB для генерации кода, использующей кодер configurer
`validatedUpdateInputs`	Подтвердите и извлеките параметры модели машинного обучения, чтобы обновиться

Примеры

свернуть все

Сгенерируйте код Используя кодер Конфигурера

Этот пример использует:

Скрипт Open Live Script

Обучите модель машинного обучения, и затем сгенерируйте код для predict и update функции модели при помощи кодера configurer.

Загрузите ирисовый набор данных Фишера и обучите мультикласс модель ECOC с помощью двоичных учеников SVM.

load fisheriris
X = meas;
Y = species;
Mdl = fitcecoc(X,Y);

Mdl ClassificationECOC объект.

configurer = learnerCoderConfigurer(Mdl,X)

configurer = 
  ClassificationECOCCoderConfigurer with properties:

   Update Inputs:
    BinaryLearners: [1x1 ClassificationSVMCoderConfigurer]
             Prior: [1x1 LearnerCoderInput]
              Cost: [1x1 LearnerCoderInput]

   Predict Inputs:
                 X: [1x1 LearnerCoderInput]

   Code Generation Parameters:
        NumOutputs: 1
    OutputFileName: 'ClassificationECOCModel'


  Properties, Methods

configurer ClassificationECOCCoderConfigurer объект, который является кодером configurer ClassificationECOC объект.

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 просмотреть и изменить компилятор по умолчанию. Для получения дополнительной информации см. Компилятор Значения по умолчанию Изменения.

Сгенерируйте код для predict и update функции модели классификации ECOC (Mdl) с настройками по умолчанию.

generateCode(configurer)

generateCode creates these files in output folder:
'initialize.m', 'predict.m', 'update.m', 'ClassificationECOCModel.mat'

generateCode функция завершает эти действия:

Сгенерируйте файлы MATLAB, требуемые сгенерировать код, включая две функции точки входа predict.m и update.m для predict и update функции Mdl, соответственно.
Создайте MEX-функцию под названием ClassificationECOCModel для двух функций точки входа.
Создайте код для MEX-функции в codegen\mex\ClassificationECOCModel папка.
Скопируйте MEX-функцию в текущую папку.

Отобразите содержимое predict.m, update.m, и initialize.m файлы при помощи type функция.

type predict.m

function varargout = predict(X,varargin) %#codegen
% Autogenerated by MATLAB, 20-Aug-2020 18:27:44
[varargout{1:nargout}] = initialize('predict',X,varargin{:});
end

type update.m

function update(varargin) %#codegen
% Autogenerated by MATLAB, 20-Aug-2020 18:27:44
initialize('update',varargin{:});
end

type initialize.m

function [varargout] = initialize(command,varargin) %#codegen
% Autogenerated by MATLAB, 20-Aug-2020 18:27:44
coder.inline('always')
persistent model
if isempty(model)
    model = loadLearnerForCoder('ClassificationECOCModel.mat');
end
switch(command)
    case 'update'
        % Update struct fields: BinaryLearners
        %                       Prior
        %                       Cost
        model = update(model,varargin{:});
    case 'predict'
        % Predict Inputs: X
        X = varargin{1};
        if nargin == 2
            [varargout{1:nargout}] = predict(model,X);
        else
            PVPairs = cell(1,nargin-2);
            for i = 1:nargin-2
                PVPairs{1,i} = varargin{i+1};
            end
            [varargout{1:nargout}] = predict(model,X,PVPairs{:});
        end
end
end

Обновите параметры модели классификации ECOC в сгенерированном коде

Этот пример использует:

Скрипт Open Live Script

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 параметров обновления в сгенерированном коде, не регенерируя код.

Обучите модель

Загрузите ирисовый набор данных Фишера.

load fisheriris
X = meas;
Y = species;

Создайте бинарный шаблон ученика SVM, чтобы использовать Гауссову функцию ядра и стандартизировать данные о предикторе.

t = templateSVM('KernelFunction','gaussian','Standardize',true);

Обучите мультикласс модель ECOC с помощью шаблона t.

Mdl = fitcecoc(X,Y,'Learners',t);

Mdl ClassificationECOC объект.

Создайте кодер Конфигурера

Создайте кодер configurer для ClassificationECOC модель при помощи learnerCoderConfigurer. Задайте данные о предикторе X. learnerCoderConfigurer функционируйте использует вход X сконфигурировать атрибуты кодера predict входной параметр функции. Кроме того, определите номер выходных параметров к 2 так, чтобы сгенерированный код возвратил сначала два выходных параметра predict функция, которые являются предсказанными метками и инвертировали средние бинарные потери.

configurer = learnerCoderConfigurer(Mdl,X,'NumOutputs',2)

configurer = 
  ClassificationECOCCoderConfigurer with properties:

   Update Inputs:
    BinaryLearners: [1x1 ClassificationSVMCoderConfigurer]
             Prior: [1x1 LearnerCoderInput]
              Cost: [1x1 LearnerCoderInput]

   Predict Inputs:
                 X: [1x1 LearnerCoderInput]

   Code Generation Parameters:
        NumOutputs: 2
    OutputFileName: 'ClassificationECOCModel'


  Properties, Methods

configurer ClassificationECOCCoderConfigurer объект, который является кодером configurer ClassificationECOC объект. Отображение показывает настраиваемые входные параметры predict и updateX, BinaryLearners, Prior, и Cost.

Задайте атрибуты кодера параметров

Задайте атрибуты кодера predict аргументы (данные о предикторе и аргументы пары "имя-значение" 'Decoding' и 'BinaryLoss') и update аргументы (поддерживают векторы из 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 SizeVector и VariableDimensions атрибуты. SizeVector атрибут задает верхнюю границу размера данных предиктора и VariableDimensions атрибут задает, имеет ли каждая размерность данных о предикторе переменный размер или фиксированный размер.

configurer.X.SizeVector = [Inf 4];
configurer.X.VariableDimensions = [true false];

Размер первой размерности является количеством наблюдений. В этом случае код указывает, что верхней границей размера является Inf и размер является переменным, означая тот X может иметь любое количество наблюдений. Эта спецификация удобна, если вы не знаете количество наблюдений при генерации кода.

Размер второго измерения является количеством переменных предикторов. Это значение должно быть зафиксировано для модели машинного обучения. X содержит 4 предиктора, таким образом, второе значение SizeVector атрибут должен быть 4 и второе значение VariableDimensions атрибутом должен быть false.

Затем измените атрибуты кодера BinaryLoss и Decoding использовать 'BinaryLoss' и 'Decoding' аргументы пары "имя-значение" в сгенерированном коде. Отобразите атрибуты кодера BinaryLoss.

configurer.BinaryLoss

ans = 
  EnumeratedInput with properties:

             Value: 'hinge'
    SelectedOption: 'Built-in'
    BuiltInOptions: {1x7 cell}
        IsConstant: 1
        Tunability: 0

Чтобы использовать значение не по умолчанию в сгенерированном коде, необходимо задать значение прежде, чем сгенерировать код. Задайте Value атрибут BinaryLoss как 'exponential'.

configurer.BinaryLoss.Value = 'exponential';
configurer.BinaryLoss

ans = 
  EnumeratedInput with properties:

             Value: 'exponential'
    SelectedOption: 'Built-in'
    BuiltInOptions: {1x7 cell}
        IsConstant: 1
        Tunability: 1

Если вы изменяете значения атрибута когда Tunability false (логический ноль), программное обеспечение устанавливает Tunability к true (логическая единица).

Отобразите атрибуты кодера Decoding.

configurer.Decoding

ans = 
  EnumeratedInput with properties:

             Value: 'lossweighted'
    SelectedOption: 'Built-in'
    BuiltInOptions: {'lossweighted'  'lossbased'}
        IsConstant: 1
        Tunability: 0

Задайте IsConstant атрибут Decoding как false так, чтобы можно было использовать все доступные значения в BuiltInOptions в сгенерированном коде.

configurer.Decoding.IsConstant = false;
configurer.Decoding

ans = 
  EnumeratedInput with properties:

             Value: [1x1 LearnerCoderInput]
    SelectedOption: 'NonConstant'
    BuiltInOptions: {'lossweighted'  'lossbased'}
        IsConstant: 0
        Tunability: 1

Программное обеспечение изменяет Value атрибут Decoding к LearnerCoderInput возразите так, чтобы можно было использовать оба 'lossweighted' и 'lossbased'как значение 'Decoding'. Кроме того, программное обеспечение устанавливает SelectedOption к 'NonConstant' и Tunability к true.

Наконец, измените атрибуты кодера SupportVectors в BinaryLearners. Отобразите атрибуты кодера SupportVectors.

configurer.BinaryLearners.SupportVectors

ans = 
  LearnerCoderInput with properties:

            SizeVector: [54 4]
    VariableDimensions: [1 0]
              DataType: 'double'
            Tunability: 1

Значение по умолчанию VariableDimensions [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 варьироваться. Поэтому увеличьте верхнюю границу количества векторов поддержки.

configurer.BinaryLearners.SupportVectors.SizeVector = [150 4];

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, затем программное обеспечение изменяет атрибуты кодера Alpha и SupportVectorLabels удовлетворить ограничениям настройки. Если модификация атрибутов кодера одного параметра требует, чтобы последующие изменения к другим зависимым параметрам удовлетворили ограничениям настройки, то программное обеспечение изменяет атрибуты кодера зависимых параметров.

Отобразите кодер configurer.

configurer

configurer = 
  ClassificationECOCCoderConfigurer with properties:

   Update Inputs:
    BinaryLearners: [1x1 ClassificationSVMCoderConfigurer]
             Prior: [1x1 LearnerCoderInput]
              Cost: [1x1 LearnerCoderInput]

   Predict Inputs:
                 X: [1x1 LearnerCoderInput]
        BinaryLoss: [1x1 EnumeratedInput]
          Decoding: [1x1 EnumeratedInput]

   Code Generation Parameters:
        NumOutputs: 2
    OutputFileName: 'ClassificationECOCModel'


  Properties, Methods

Отображение теперь включает BinaryLoss и Decoding также.

Сгенерируйте код

Сгенерируйте код для predict и update функции модели классификации ECOC (Mdl).

generateCode(configurer)

generateCode creates these files in output folder:
'initialize.m', 'predict.m', 'update.m', 'ClassificationECOCModel.mat'

generateCode функция завершает эти действия:

Сгенерируйте файлы MATLAB, требуемые сгенерировать код, включая две функции точки входа predict.m и update.m для predict и update функции Mdl, соответственно.
Создайте MEX-функцию под названием ClassificationECOCModel для двух функций точки входа.
Создайте код для MEX-функции в codegen\mex\ClassificationECOCModel папка.
Скопируйте MEX-функцию в текущую папку.

Проверьте сгенерированный код

Передайте некоторые данные о предикторе, чтобы проверить ли predict функция Mdl и predict функция в MEX-функции возвращает 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 IsConstant припишите прежде, чем сгенерировать код, также необходимо задать его в вызове MEX-функции, даже при том, что 'lossweighted' значение по умолчанию 'Decoding'.

[label,NegLoss] = predict(Mdl,X,'BinaryLoss','exponential');
[label_mex,NegLoss_mex] = ClassificationECOCModel('predict',X,'BinaryLoss','exponential','Decoding','lossweighted');

Сравните label к label_mex при помощи isequal.

isequal(label,label_mex)

ans = logical
   1

isequal возвращает логическую единицу (true) если все входные параметры равны. Сравнение подтверждает что predict функция Mdl и predict функция в MEX-функции возвращает те же метки.

NegLoss_mex может включать различия в округлении по сравнению с NegLoss. В этом случае сравните NegLoss_mex к NegLoss, разрешение маленького допуска.

find(abs(NegLoss-NegLoss_mex) > 1e-8)

ans =

  0x1 empty double column vector

Сравнение подтверждает тот NegLoss и NegLoss_mex равны в допуске 1e–8.

Переобучите параметры модели и обновления 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.

t_new = templateSVM('KernelFunction','gaussian','Standardize',true,'KernelScale','auto');
retrainedMdl = fitcecoc(X,Y,'Learners',t_new);

Извлеките параметры, чтобы обновиться при помощи validatedUpdateInputs. Эта функция обнаруживает модифицированные параметры модели в retrainedMdl и подтверждает, удовлетворяют ли модифицированные значения параметров атрибутам кодера параметров.

params = validatedUpdateInputs(configurer,retrainedMdl);

Обновите параметры в сгенерированном коде.

ClassificationECOCModel('update',params)

Проверьте сгенерированный код

Сравните выходные параметры от predict функция retrainedMdl к выходным параметрам от predict функция в обновленной MEX-функции.

[label,NegLoss] = predict(retrainedMdl,X,'BinaryLoss','exponential','Decoding','lossbased');
[label_mex,NegLoss_mex] = ClassificationECOCModel('predict',X,'BinaryLoss','exponential','Decoding','lossbased');
isequal(label,label_mex)

ans = logical
   1

find(abs(NegLoss-NegLoss_mex) > 1e-8)

ans =

  0x1 empty double column vector

Сравнение подтверждает тот label и label_mex равны, и NegLoss и NegLoss_mex равны в допуске.

Больше о

развернуть все

`LearnerCoderInput` Объект

Кодер configurer использует LearnerCoderInput объект задать атрибуты кодера predict и update входные параметры.

LearnerCoderInput объект имеет следующие атрибуты, чтобы задать свойства массива входного параметра в сгенерированном коде.

Название атрибута	Описание
`SizeVector`	Размер массивов, если соответствующий `VariableDimensions` значением является `false`. Верхняя граница размера массивов, если соответствующий `VariableDimensions` значением является `true`. Чтобы позволить неограниченный массив, задайте связанное как `Inf`.
`VariableDimensions`	Индикатор, задающий, имеет ли каждая размерность массива переменный размер или фиксированный размер в виде `true` (логическая единица) или `false` (логический ноль): Значение `true` (логическая единица) означает, что соответствующая размерность имеет переменный размер. Значение `false` (логический ноль) означает, что соответствующая размерность имеет фиксированный размер.
`DataType`	Тип данных массива
`Tunability`	Индикатор, задающий, действительно ли `predict` или `update` включает аргумент как вход в сгенерированном коде в виде `true` (логическая единица) или `false` (логический ноль). Если вы задаете другие значения атрибута когда `Tunability` `false`, программное обеспечение устанавливает `Tunability` к `true`.

После создания кодера configurer, можно изменить атрибуты кодера при помощи записи через точку. Например, задайте атрибуты кодера коэффициентов Alpha в BinaryLearners из кодера configurer configurer:

configurer.BinaryLearners.Alpha.SizeVector = [100 1];
configurer.BinaryLearners.Alpha.VariableDimensions = [1 0];
configurer.BinaryLearners.Alpha.DataType = 'double';

Если вы задаете уровень многословия (Verbose) как true (значение по умолчанию), затем программное обеспечение отображает уведомления, когда вы изменяете атрибуты кодера параметра модели машинного обучения, и модификация изменяет атрибуты кодера других зависимых параметров.

`EnumeratedInput` Объект

Кодер configurer использует EnumeratedInput объект задать атрибуты кодера predict входные параметры, которые имеют конечное множество доступных значений.

EnumeratedInput объект имеет следующие атрибуты, чтобы задать свойства массива входного параметра в сгенерированном коде.

Название атрибута	Описание
`Value`	Значение `predict` аргумент в сгенерированном коде в виде вектора символов или `LearnerCoderInput` объект. Вектор символов в `BuiltInOptions` — Можно задать один из `BuiltInOptions` использование или имя опции или его значение индекса. Например, чтобы выбрать право преимущественной покупки, задайте `Value` как любой первый вектор символов в `BuiltInOptions` или `1`. Вектор символов, определяющий пользовательскому имени функции — использовать пользовательскую опцию, задайте пользовательскую функцию на пути поиска файлов MATLAB и задайте `Value` как имя пользовательской функции. `LearnerCoderInput` объект — Если вы устанавливаете `IsConstant` к `false` (логический ноль), затем программное обеспечение изменяет `Value` к `LearnerCoderInput` объект со следующими значениями атрибута кодера только для чтения. Эти значения указывают, что вход в сгенерированном коде является переменным размером, настраиваемый вектор символов, который является одним из доступных значений в `BuiltInOptions`. `SizeVector` — `[1 c]`, указание на верхнюю границу размера массивов, где `c` длина самого длинного доступного вектора символов в `Option` `VariableDimensions`— [0 1] , указание, что массив является вектором переменного размера `DataType` `'char'` `Tunability` — 1 Значение по умолчанию `Value` сопоставимо со значением по умолчанию соответствия `predict` аргумент, который является одним из векторов символов в `BuiltInOptions`.
`SelectedOption`	Состояние выбранной опции в виде `'Built-in'`, `'Custom'`, или `'NonConstant'`. Программное обеспечение устанавливает `SelectedOption` согласно `Value`: `'Built-in'`(значение по умолчанию) — Когда `Value` один из векторов символов в `BuiltInOptions` `'Custom'` — Когда `Value` вектор символов, который не находится в `BuiltInOptions` `'NonConstant'` — Когда `Value` `LearnerCoderInput` объект Этот атрибут только для чтения.
`BuiltInOptions`	Список доступных векторов символов для соответствия `predict` аргумент в виде массива ячеек. Этот атрибут только для чтения.
`IsConstant`	Индикатор, задающий, является ли значение массивов постоянным временем компиляции (`coder.Constant` (MATLAB Coder)) в сгенерированном коде в виде `true` (логическая единица, значение по умолчанию) или `false` (логический ноль). Если вы устанавливаете это значение к `false`, затем программное обеспечение изменяет `Value` к `LearnerCoderInput` объект.
`Tunability`	Индикатор, задающий, действительно ли `predict` включает аргумент как вход в сгенерированном коде в виде `true` (логическая единица) или `false` (логический ноль, значение по умолчанию). Если вы задаете другие значения атрибута когда `Tunability` `false`, программное обеспечение устанавливает `Tunability` к `true`.

После создания кодера configurer, можно изменить атрибуты кодера при помощи записи через точку. Например, задайте атрибуты кодера BinaryLoss из кодера configurer configurer:

configurer.BinaryLoss.Value = 'linear';

Темы

Введенный в R2019a

Документация

ClassificationECOCCoderConfigurer

Описание

Создание

Свойства

`predict` Аргументы

`X` — Атрибуты кодера данных о предикторе
`LearnerCoderInput` объект

`BinaryLoss` — Атрибуты кодера бинарной функции потерь ученика
`EnumeratedInput` объект

`Decoding` — Атрибуты кодера декодирования схемы
`EnumeratedInput` объект

`ObservationsIn` — Атрибуты кодера размерности наблюдения данных о предикторе
`EnumeratedInput` объект

`NumOutputs` — Количество выходных параметров в `predict`
1 (значение по умолчанию) | 2 | 3

`update` Аргументы

`BinaryLearners` — Атрибуты кодера обученных бинарных учеников
`ClassificationSVMCoderConfigurer` возразите | `ClassificationLinearCoderConfigurer` объект

`Cost` — Атрибуты кодера misclassification стоятся
`LearnerCoderInput` объект

`Prior` — Атрибуты кодера априорных вероятностей
`LearnerCoderInput` объект

Другие опции Configurer

`OutputFileName` — Имя файла сгенерированного кода C/C++
`'ClassificationECOCModel'` (значение по умолчанию) | вектор символов

`Verbose` — Уровень многословия
`true` (логическая единица) (значение по умолчанию) | `false` (логический ноль)

Опции для индивидуальной настройки генерации кода

`CodeGenerationArguments` — `codegen` аргументы
cellArray

`PredictInputs` — Список настраиваемых входных параметров `predict`
cellArray

`UpdateInputs` — Список настраиваемых входных параметров `update`
cellArray

Функции объекта

Примеры

Сгенерируйте код Используя кодер Конфигурера

Обновите параметры модели классификации ECOC в сгенерированном коде

Больше о

`LearnerCoderInput` Объект

`EnumeratedInput` Объект

Смотрите также

Темы

Документация Statistics and Machine Learning Toolbox

Поддержка

Документация

ClassificationECOCCoderConfigurer

Описание

Создание

Свойства

predict Аргументы

X — Атрибуты кодера данных о предикторе LearnerCoderInput объект

BinaryLoss — Атрибуты кодера бинарной функции потерь ученика EnumeratedInput объект

Decoding — Атрибуты кодера декодирования схемы EnumeratedInput объект

ObservationsIn — Атрибуты кодера размерности наблюдения данных о предикторе EnumeratedInput объект

NumOutputs — Количество выходных параметров в predict 1 (значение по умолчанию) | 2 | 3

update Аргументы

BinaryLearners — Атрибуты кодера обученных бинарных учеников ClassificationSVMCoderConfigurer возразите | ClassificationLinearCoderConfigurer объект

Cost — Атрибуты кодера misclassification стоятся LearnerCoderInput объект

Prior — Атрибуты кодера априорных вероятностей LearnerCoderInput объект

Другие опции Configurer

OutputFileName — Имя файла сгенерированного кода C/C++ 'ClassificationECOCModel' (значение по умолчанию) | вектор символов

Verbose — Уровень многословия true (логическая единица) (значение по умолчанию) | false (логический ноль)

Опции для индивидуальной настройки генерации кода

CodeGenerationArguments — codegen аргументы cellArray

PredictInputs — Список настраиваемых входных параметров predict cellArray

UpdateInputs — Список настраиваемых входных параметров update cellArray

Функции объекта

Примеры

Сгенерируйте код Используя кодер Конфигурера

Обновите параметры модели классификации ECOC в сгенерированном коде

Больше о

LearnerCoderInput Объект

EnumeratedInput Объект

Смотрите также

Темы

Документация Statistics and Machine Learning Toolbox

Поддержка

`predict` Аргументы

`X` — Атрибуты кодера данных о предикторе
`LearnerCoderInput` объект

`BinaryLoss` — Атрибуты кодера бинарной функции потерь ученика
`EnumeratedInput` объект

`Decoding` — Атрибуты кодера декодирования схемы
`EnumeratedInput` объект

`ObservationsIn` — Атрибуты кодера размерности наблюдения данных о предикторе
`EnumeratedInput` объект

`NumOutputs` — Количество выходных параметров в `predict`
1 (значение по умолчанию) | 2 | 3

`update` Аргументы

`BinaryLearners` — Атрибуты кодера обученных бинарных учеников
`ClassificationSVMCoderConfigurer` возразите | `ClassificationLinearCoderConfigurer` объект

`Cost` — Атрибуты кодера misclassification стоятся
`LearnerCoderInput` объект

`Prior` — Атрибуты кодера априорных вероятностей
`LearnerCoderInput` объект

`OutputFileName` — Имя файла сгенерированного кода C/C++
`'ClassificationECOCModel'` (значение по умолчанию) | вектор символов

`Verbose` — Уровень многословия
`true` (логическая единица) (значение по умолчанию) | `false` (логический ноль)

`CodeGenerationArguments` — `codegen` аргументы
cellArray

`PredictInputs` — Список настраиваемых входных параметров `predict`
cellArray

`UpdateInputs` — Список настраиваемых входных параметров `update`
cellArray

`LearnerCoderInput` Объект

`EnumeratedInput` Объект