Кодер configurer для модели регрессии машины опорных векторов (SVM)
RegressionSVMCoderConfigurer
объект является кодером configurer модели регрессии SVM (RegressionSVM
или CompactRegressionSVM
).
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 для параметров модели SVM при помощи свойств объектов.
Сгенерируйте код C/C++ для predict
и update
функции модели регрессии 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 регрессии SVM смотрите разделы Генерации кода CompactRegressionSVM
, predict
, и update
.
После обучения модель регрессии SVM при помощи fitrsvm
, 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.
predict
АргументыСвойства, перечисленные в этом разделе, задают атрибуты кодера predict
аргументы функции в сгенерированном коде.
X
— Атрибуты кодера данных о предиктореLearnerCoderInput
объектАтрибуты кодера данных о предикторе, чтобы передать сгенерированному коду C/C++ для predict
функция модели регрессии 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];
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];
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
.
NumOutputs
— Количество выходных параметров в predict
Количество выходных аргументов, чтобы возвратиться из сгенерированного кода C/C++ для predict
функция модели регрессии SVM в виде 1. predict
возвращает yfit
(предсказанные ответы) в сгенерированном коде C/C++.
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 регрессии 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: single
| double
update
АргументыСвойства, 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
.
Alpha
— Атрибуты кодера двойных проблемных коэффициентовLearnerCoderInput
объектАтрибуты кодера двойных проблемных коэффициентов (Alpha
из модели регрессии 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 отбрасываете векторы поддержки при помощи discardSupportVectors
, этим значением должен быть false
. В противном случае этим значением должен быть true
.
Beta
— Атрибуты кодера основных коэффициентов линейной задачиLearnerCoderInput
объектАтрибуты кодера основных коэффициентов линейной задачи (Beta
из модели регрессии 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 отбрасываете векторы поддержки при помощи discardSupportVectors
, этим значением должен быть true
. В противном случае этим значением должен быть false
.
Bias
— Атрибуты кодера срока смещенияLearnerCoderInput
объектАтрибуты кодера срока смещения (Bias
из модели регрессии 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
.
Mu
— Атрибуты кодера средних значений предиктораLearnerCoderInput
объектАтрибуты кодера средних значений предиктора (Mu
из модели регрессии 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
, этим значением должен быть 'Standardize'
TRUE[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
, значением по умолчанию является 'Standardize'
TRUEtrue
. В противном случае этим значением должен быть false
.
Scale
— Атрибуты кодера масштабного коэффициента ядраLearnerCoderInput
объектАтрибуты кодера масштабного коэффициента ядра (KernelParameters
.Scale
из модели регрессии 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
.
Sigma
— Атрибуты кодера стандартных отклонений предиктораLearnerCoderInput
объектАтрибуты кодера стандартных отклонений предиктора (Sigma
из модели регрессии 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
, этим значением должен быть 'Standardize'
TRUE[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
, значением по умолчанию является 'Standardize'
TRUEtrue
. В противном случае этим значением должен быть false
.
SupportVectors
— Атрибуты кодера векторов поддержкиLearnerCoderInput
объектАтрибуты кодера векторов поддержки (SupportVectors
из модели регрессии 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 отбрасываете векторы поддержки при помощи discardSupportVectors
, этим значением должен быть false
. В противном случае этим значением должен быть true
.
OutputFileName
— Имя файла сгенерированного кода C/C++'RegressionSVMModel'
(значение по умолчанию) | вектор символовИмя файла сгенерированного кода C/C++ в виде вектора символов.
Объектная функция generateCode
из RegressionSVMCoderConfigurer
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 многословияtrue
(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
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
аргументыЭто 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{:})
cgArgs
соответственно перед вызовом codegen
.
Если вы изменяете другие свойства configurer
, обновления программного обеспечения CodeGenerationArguments
свойство соответственно.
Типы данных: cell
PredictInputs
— Входной параметр predict
coder.PrimitiveType
объектЭто 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
UpdateInputs
— Список настраиваемых входных параметров update
coder.PrimitiveType
объектыЭто 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
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 |
Обучите модель машинного обучения, и затем сгенерируйте код для predict
и update
функции модели при помощи кодера configurer.
Загрузите carsmall
набор данных и обучает модель регрессии машины опорных векторов (SVM).
load carsmall
X = [Horsepower,Weight];
Y = MPG;
Mdl = fitrsvm(X,Y);
Mdl
RegressionSVM
объект.
Создайте кодер configurer для RegressionSVM
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 = RegressionSVMCoderConfigurer with properties: Update Inputs: Alpha: [1x1 LearnerCoderInput] SupportVectors: [1x1 LearnerCoderInput] Scale: [1x1 LearnerCoderInput] Bias: [1x1 LearnerCoderInput] Predict Inputs: X: [1x1 LearnerCoderInput] Code Generation Parameters: NumOutputs: 1 OutputFileName: 'RegressionSVMModel' Properties, Methods
configurer
RegressionSVMCoderConfigurer
объект, который является кодером configurer RegressionSVM
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 регрессии SVM (Mdl
) с настройками по умолчанию.
generateCode(configurer)
generateCode creates these files in output folder: 'initialize.m', 'predict.m', 'update.m', 'RegressionSVMModel.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 RegressionSVMModel
для двух функций точки входа.
Создайте код для MEX-функции в codegen\mex\RegressionSVMModel
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 18:28:11 [varargout{1:nargout}] = initialize('predict',X,varargin{:}); end
type update.m
function update(varargin) %#codegen % Autogenerated by MATLAB, 20-Aug-2020 18:28:11 initialize('update',varargin{:}); end
type initialize.m
function [varargout] = initialize(command,varargin) %#codegen % Autogenerated by MATLAB, 20-Aug-2020 18:28:11 coder.inline('always') persistent model if isempty(model) model = loadLearnerForCoder('RegressionSVMModel.mat'); end switch(command) case 'update' % Update struct fields: Alpha % SupportVectors % Scale % Bias 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 машины опорных векторов (SVM) использование 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 ответы 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 carsmall
набор данных и обучает модель регрессии SVM использование первых 50 наблюдений.
load carsmall
X = [Horsepower,Weight];
Y = MPG;
Mdl = fitrsvm(X(1:50,:),Y(1:50));
Mdl
RegressionSVM
объект.
Создайте кодер Конфигурера
Создайте кодер configurer для RegressionSVM
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(1:50,:));
configurer
RegressionSVMCoderConfigurer
объект, который является кодером configurer RegressionSVM
объект.
Задайте атрибуты кодера параметров
Задайте атрибуты кодера параметров модели регрессии 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 регрессии 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 2]; 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 два предиктора, таким образом, значение SizeVector
атрибут должен быть два 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 2];
SizeVector attribute for Alpha has been modified to satisfy configuration constraints.
configurer.SupportVectors.VariableDimensions = [true false];
VariableDimensions attribute for Alpha has been modified to satisfy configuration constraints.
Если вы изменяете атрибуты кодера SupportVectors
, затем программное обеспечение изменяет атрибуты кодера Alpha
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 регрессии SVM (Mdl
) с настройками по умолчанию.
generateCode(configurer)
generateCode creates these files in output folder: 'initialize.m', 'predict.m', 'update.m', 'RegressionSVMModel.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 RegressionSVMModel
для двух функций точки входа в codegen\mex\RegressionSVMModel
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 предсказанные ответы. Чтобы вызвать функцию точки входа в MEX-функции, которая имеет больше чем одну точку входа, задайте имя функции как первый входной параметр.
yfit = predict(Mdl,X);
yfit_mex = RegressionSVMModel('predict',X);
yfit_mex
может включать различия в округлении по сравнению с yfit
. В этом случае сравните yfit
и yfit_mex
, разрешение маленького допуска.
find(abs(yfit-yfit_mex) > 1e-6)
ans = 0x1 empty double column vector
Сравнение подтверждает тот yfit
и yfit_mex
равны в допуске 1e–6
.
Переобучите параметры модели и обновления в сгенерированном коде
Переобучите модель с помощью целого набора данных.
retrainedMdl = fitrsvm(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.
RegressionSVMModel('update',params)
Проверьте сгенерированный код
Сравните выходные параметры от predict
функция retrainedMdl
и predict
функция в обновленной MEX-функции.
yfit = predict(retrainedMdl,X);
yfit_mex = RegressionSVMModel('predict',X);
find(abs(yfit-yfit_mex) > 1e-6)
ans = 0x1 empty double column vector
Сравнение подтверждает тот yfit
и yfit_mex
равны в допуске 1e-6
.
LearnerCoderInput
ОбъектКодер 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 Верхняя граница размера массивов, если соответствующий |
VariableDimensions | Индикатор, задающий, имеет ли каждая размерность массива переменный размер или фиксированный размер в виде
|
DataType | Тип данных массива |
Tunability | Индикатор, задающий, действительно ли
Если вы задаете другие значения атрибута когда |
После создания кодера configurer, можно изменить атрибуты кодера при помощи записи через точку. Например, задайте атрибуты кодера коэффициентов Alpha
из кодера configurer configurer
можно следующим образом:
configurer.Alpha.SizeVector = [100 1];
configurer.Alpha.VariableDimensions = [1 0];
configurer.Alpha.DataType = 'double';
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.CompactRegressionSVM
| learnerCoderConfigurer
| predict
| RegressionSVM
| update
У вас есть модифицированная версия этого примера. Вы хотите открыть этот пример со своими редактированиями?
1. Если смысл перевода понятен, то лучше оставьте как есть и не придирайтесь к словам, синонимам и тому подобному. О вкусах не спорим.
2. Не дополняйте перевод комментариями “от себя”. В исправлении не должно появляться дополнительных смыслов и комментариев, отсутствующих в оригинале. Такие правки не получится интегрировать в алгоритме автоматического перевода.
3. Сохраняйте структуру оригинального текста - например, не разбивайте одно предложение на два.
4. Не имеет смысла однотипное исправление перевода какого-то термина во всех предложениях. Исправляйте только в одном месте. Когда Вашу правку одобрят, это исправление будет алгоритмически распространено и на другие части документации.
5. По иным вопросам, например если надо исправить заблокированное для перевода слово, обратитесь к редакторам через форму технической поддержки.