ClassificationSVMCoderConfigurer

Кодер configurer для машины опорных векторов (SVM) для и бинарной классификации одного класса

Описание

ClassificationSVMCoderConfigurer объект является кодером configurer модели классификации SVM (ClassificationSVM или CompactClassificationSVM).

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 SVM при помощи свойств объектов.

  • Сгенерируйте код C/C++ для predict и update функции модели классификации SVM 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 SVM 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 модели классификации SVM смотрите разделы Генерации кода CompactClassificationSVM, predict, и update.

Создание

После обучения модель классификации SVM при помощи fitcsvm, 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.

Атрибуты кодера данных о предикторе, чтобы передать сгенерированному коду C/C++ для predict функция модели классификации SVM 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.

  • VariableDimensions — Этим значением является [0 0](значение по умолчанию) или [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 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 за тремя переменными предикторами, 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.

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

Выходные аргументы predict label (предсказанные метки класса) и score (баллы или апостериорные вероятности) в порядке перечисленных. 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 SVM, 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.

Атрибуты кодера обученных коэффициентов классификатора (Alpha из модели классификации SVM) в виде LearnerCoderInput объект.

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

  • SizeVector — Значением по умолчанию является [s,1], где s количество векторов поддержки в Mdl.

  • VariableDimensions — Этим значением является [0 0](значение по умолчанию) или [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.

Атрибуты кодера линейных коэффициентов предиктора (Beta из модели классификации SVM) в виде LearnerCoderInput объект.

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

  • SizeVector — Этим значением должен быть [p 1], где p количество предикторов в Mdl.

  • 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 — 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 true. В противном случае этим значением должен быть false.

Атрибуты кодера срока смещения (Bias из модели классификации SVM) в виде LearnerCoderInput объект.

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

  • SizeVector — Этим значением должен быть [1 1].

  • 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 — Этим значением должен быть true.

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

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

  • SizeVector — Для бинарной классификации этим значением должен быть [2 2]. Для классификации одного класса этим значением должен быть [1 1].

  • 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 — Для бинарной классификации значением по умолчанию является true. Для классификации одного класса этим значением должен быть false.

Атрибуты кодера средних значений предиктора (Mu из модели классификации SVM) в виде LearnerCoderInput объект.

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

  • SizeVector — Если вы обучаете Mdl использование стандартизированных данных о предикторе путем определения 'Standardize'TRUE, этим значением должен быть [1,p], где p количество предикторов в Mdl. В противном случае этим значением должен быть [0,0].

  • 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 — Если вы обучаете Mdl использование стандартизированных данных о предикторе путем определения 'Standardize'TRUE, значением по умолчанию является true. В противном случае этим значением должен быть false.

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

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

  • SizeVector — Для бинарной классификации этим значением должен быть [1 2]. Для классификации одного класса этим значением должен быть [1 1].

  • 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 — Для бинарной классификации значением по умолчанию является true. Для классификации одного класса этим значением должен быть false.

Атрибуты кодера масштабного коэффициента ядра (KernelParameters.Scale из модели классификации SVM) в виде LearnerCoderInput объект.

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

  • SizeVector — Этим значением должен быть [1 1].

  • 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.

Атрибуты кодера стандартных отклонений предиктора (Sigma из модели классификации SVM) в виде LearnerCoderInput объект.

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

  • SizeVector — Если вы обучаете Mdl использование стандартизированных данных о предикторе путем определения 'Standardize'TRUE, этим значением должен быть [1,p], где p количество предикторов в Mdl. В противном случае этим значением должен быть [0,0].

  • 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 — Если вы обучаете Mdl использование стандартизированных данных о предикторе путем определения 'Standardize'TRUE, значением по умолчанию является true. В противном случае этим значением должен быть false.

Атрибуты кодера меток класса вектора поддержки (SupportVectorLabels из модели классификации SVM) в виде LearnerCoderInput объект.

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

  • SizeVector — Значением по умолчанию является [s,1], где s количество векторов поддержки в Mdl.

  • VariableDimensions — Этим значением является [0 0](значение по умолчанию) или [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.

Атрибуты кодера векторов поддержки (SupportVectors из модели классификации SVM) в виде LearnerCoderInput объект.

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

  • SizeVector — Значением по умолчанию является [s,p], где s количество векторов поддержки и p количество предикторов в Mdl.

  • VariableDimensions — Этим значением является [0 0](значение по умолчанию) или [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.

Другие опции Configurer

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

Объектная функция generateCode из ClassificationSVMCoderConfigurer 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

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

ЗначениеОписание
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.

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

Это свойство доступно только для чтения.

Входной параметр точки входа функционирует predict.m для генерации кода в виде массива ячеек coder.PrimitiveType Объект (MATLAB Coder). coder.PrimitiveType объект включает атрибуты кодера данных о предикторе, хранимых в X свойство.

Если вы изменяете атрибуты кодера данных о предикторе, то обновления программного обеспечения coder.PrimitiveType возразите соответственно.

coder.PrimitiveType объект в PredictInputs эквивалентно configurer.CodeGenerationArguments{6} для кодера configurer configurer.

Типы данных: cell

Это свойство доступно только для чтения.

Список настраиваемых входных параметров точки входа функционирует update.m для генерации кода в виде массива ячеек структуры включая coder.PrimitiveType (MATLAB Coder) объекты. Каждый coder.PrimitiveType объект включает атрибуты кодера настраиваемого параметра модели машинного обучения.

Если вы изменяете атрибуты кодера параметра модели при помощи кодера configurer свойства (update Свойства аргументов), затем обновления программного обеспечения соответствующий coder.PrimitiveType возразите соответственно. Если вы задаете Tunability атрибут параметра модели машинного обучения как false, затем программное обеспечение удаляет соответствующий coder.PrimitiveType объект от UpdateInputs список.

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

Типы данных: cell

Функции объекта

generateCodeСгенерируйте код C/C++ с помощью кодера configurer
generateFilesСгенерируйте файлы MATLAB для генерации кода, использующей кодер configurer
validatedUpdateInputsПодтвердите и извлеките параметры модели машинного обучения, чтобы обновиться

Примеры

свернуть все

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

Загрузите ionosphere набор данных и обучает бинарную модель классификации SVM.

load ionosphere
Mdl = fitcsvm(X,Y);

Mdl ClassificationSVM объект.

Создайте кодер configurer для ClassificationSVM модель при помощи learnerCoderConfigurer. Задайте данные о предикторе X. learnerCoderConfigurer функционируйте использует вход X сконфигурировать атрибуты кодера predict входной параметр функции.

configurer = learnerCoderConfigurer(Mdl,X)
configurer = 
  ClassificationSVMCoderConfigurer with properties:

   Update Inputs:
                  Alpha: [1x1 LearnerCoderInput]
         SupportVectors: [1x1 LearnerCoderInput]
    SupportVectorLabels: [1x1 LearnerCoderInput]
                  Scale: [1x1 LearnerCoderInput]
                   Bias: [1x1 LearnerCoderInput]
                  Prior: [1x1 LearnerCoderInput]
                   Cost: [1x1 LearnerCoderInput]

   Predict Inputs:
                      X: [1x1 LearnerCoderInput]

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


  Properties, Methods

configurer ClassificationSVMCoderConfigurer объект, который является кодером configurer ClassificationSVM 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 SVM (Mdl) с настройками по умолчанию.

generateCode(configurer)
generateCode creates these files in output folder:
'initialize.m', 'predict.m', 'update.m', 'ClassificationSVMModel.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 ClassificationSVMModel для двух функций точки входа.

  • Создайте код для MEX-функции в codegen\mex\ClassificationSVMModel 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 18:33:38
[varargout{1:nargout}] = initialize('predict',X,varargin{:});
end
type update.m
function update(varargin) %#codegen
% Autogenerated by MATLAB, 20-Aug-2020 18:33:38
initialize('update',varargin{:});
end
type initialize.m
function [varargout] = initialize(command,varargin) %#codegen
% Autogenerated by MATLAB, 20-Aug-2020 18:33:38
coder.inline('always')
persistent model
if isempty(model)
    model = loadLearnerForCoder('ClassificationSVMModel.mat');
end
switch(command)
    case 'update'
        % Update struct fields: Alpha
        %                       SupportVectors
        %                       SupportVectorLabels
        %                       Scale
        %                       Bias
        %                       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

Обучите модель SVM с помощью частичного набора данных и создайте кодер configurer для модели. Используйте свойства кодера configurer, чтобы задать атрибуты кодера параметров модели SVM. Используйте объектную функцию кодера configurer, чтобы сгенерировать код С, который предсказывает метки для новых данных о предикторе. Затем переобучите модель с помощью целого набора данных и параметров обновления в сгенерированном коде, не регенерируя код.

Обучите модель

Загрузите ionosphere набор данных. Этот набор данных имеет 34 предиктора, и 351 бинарный ответ для радара возвращается, любой плохо ('b') или хороший ('g'). Обучите бинарную модель классификации SVM использование первых 50 наблюдений.

load ionosphere
Mdl = fitcsvm(X(1:50,:),Y(1:50));

Mdl ClassificationSVM объект.

Создайте кодер Конфигурера

Создайте кодер configurer для ClassificationSVM 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 предсказанные метки и баллы.

configurer = learnerCoderConfigurer(Mdl,X(1:50,:),'NumOutputs',2);

configurer ClassificationSVMCoderConfigurer объект, который является кодером configurer ClassificationSVM объект.

Задайте атрибуты кодера параметров

Задайте атрибуты кодера параметров модели классификации SVM так, чтобы можно было обновить параметры в сгенерированном коде после переобучения модели. Этот пример задает атрибуты кодера данных о предикторе, которые вы хотите передать сгенерированному коду и атрибутам кодера векторов поддержки из модели SVM.

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 34];
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 34 предиктора, таким образом, значение SizeVector атрибут должен быть 34 и значение VariableDimensions атрибутом должен быть false.

Если вы переобучаете модель SVM с помощью новых данных или различных настроек, количество векторов поддержки может варьироваться. Поэтому задайте атрибуты кодера SupportVectors так, чтобы можно было обновить векторы поддержки в сгенерированном коде.

configurer.SupportVectors.SizeVector = [250 34];
SizeVector attribute for Alpha has been modified to satisfy configuration constraints.
SizeVector attribute for SupportVectorLabels has been modified to satisfy configuration constraints.
configurer.SupportVectors.VariableDimensions = [true false];
VariableDimensions attribute for Alpha has been modified to satisfy configuration constraints.
VariableDimensions 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.

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

Используйте generateCode сгенерировать код для predict и update функции модели классификации SVM (Mdl) с настройками по умолчанию.

generateCode(configurer)
generateCode creates these files in output folder:
'initialize.m', 'predict.m', 'update.m', 'ClassificationSVMModel.mat'

generateCode генерирует файлы MATLAB, требуемые сгенерировать код, включая две функции точки входа predict.m и update.m для predict и update функции Mdl, соответственно. Затем generateCode создает MEX-функцию под названием ClassificationSVMModel для двух функций точки входа в codegen\mex\ClassificationSVMModel папка и копии MEX-функция к текущей папке.

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.

[label,score] = predict(Mdl,X);
[label_mex,score_mex] = ClassificationSVMModel('predict',X);

Сравните label и 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.

score_mex может включать различия в округлении по сравнению с score. В этом случае сравните score_mex и score, разрешение маленького допуска.

find(abs(score-score_mex) > 1e-8)
ans =

  0x1 empty double column vector

Сравнение подтверждает тот score и score_mex равны в допуске 1e–8.

Переобучите параметры модели и обновления в сгенерированном коде

Переобучите модель с помощью целого набора данных.

retrainedMdl = fitcsvm(X,Y);

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.

ClassificationSVMModel('update',params)

Проверьте сгенерированный код

Сравните выходные параметры от predict функция retrainedMdl и predict функция в обновленной MEX-функции.

[label,score] = predict(retrainedMdl,X);
[label_mex,score_mex] = ClassificationSVMModel('predict',X);
isequal(label,label_mex)
ans = logical
   1

find(abs(score-score_mex) > 1e-8)
ans =

  0x1 empty double column vector

Сравнение подтверждает тот labels и labels_mex равны, и значения баллов равны в допуске.

Больше о

развернуть все

Введенный в R2018b
Для просмотра документации необходимо авторизоваться на сайте