MATLAB ® Coder™ генерирует считываемый и портативный код C и C++ из функций Statistics and Machine Learning Toolbox, поддерживающих создание кода. Например, можно классифицировать новые наблюдения на аппаратных устройствах, которые не могут запускать MATLAB, путем развертывания модели классификации обученных векторных машин поддержки (SVM) на устройстве с использованием генерации кода.
Для этих функций можно создать код C/C + + несколькими способами:
Использовать saveLearnerForCoder, loadLearnerForCoder, и codegen (Кодер MATLAB) для объектной функции модели машинного обучения.
Использовать конфигуратор кодера, созданный learnerCoderConfigurer для predict и update объектные функции модели машинного обучения. Настройте параметры генерации кода с помощью конфигуратора и обновите параметры модели в сгенерированном коде.
Использовать codegen для других функций, поддерживающих генерацию кода.
Также можно создать код C/C + + с фиксированной точкой для прогнозирования некоторых моделей машинного обучения. Этот тип генерации кода требует Designer™ Fixed-Point.
Чтобы интегрировать прогнозирование модели машинного обучения в Simulink ®, используйте функциональный блок MATLAB или блоки Simulink в библиотеке инструментов статистики и машинного обучения.
Сведения о создании кода см. в разделе Введение в создание кода.
Список функций, поддерживающих создание кода, см. в разделе Список функций (C/C + + Создание кода).
Узнайте, как создать код C/C + + для функций статистики и инструментария машинного обучения.
Общий поток операций создания кода
Создание кода для функций Statistics и Machine Learning Toolbox, не использующих объекты модели машинного обучения.
Формирование кода для прогнозирования модели машинного обучения в командной строке
Создайте код для прогнозирования модели классификации или регрессии в командной строке.
Создание кода для инкрементного обучения
Создание кода, реализующего инкрементное обучение для двоичной линейной классификации в командной строке.
Создайте код для прогнозирования модели классификации или регрессии с помощью приложения MATLAB Coder.
Создание кода для прогнозирования и обновления с использованием конфигуратора кодера
Создайте код для прогнозирования модели с помощью конфигуратора кодера и обновите параметры модели в сгенерированном коде.
Укажите аргументы переменного размера для создания кода
Создать код, принимающий входные аргументы, размер которых может измениться во время выполнения.
Создание кода для классификации данных в таблице
Создание кода для классификации данных в таблице, содержащей числовые и категориальные переменные.
Создание фиктивных переменных для категориальных предикторов и создание кода C/C + +
Преобразование категориальных предикторов в числовые фиктивные переменные перед подгонкой классификатора SVM и созданием кода.
Генерация кода с фиксированной точкой для прогнозирования SVM
Создание кода с фиксированной точкой для прогнозирования классификации SVM или регрессионной модели.
Приложение для обучения по генерации и классификации кодов
Обучите классификационную модель с помощью приложения Classification Learner и создайте код C/C + + для прогнозирования.
Создание кода для ближайшего соседнего поисковика
Создание кода для поиска ближайших соседей с использованием ближайшей модели поиска соседей.
Создание кода для объектов распределения вероятностей
Создайте код, который подходит объекту распределения вероятности для выборки данных и оценивает соответствующий объект распределения.
Создание кода для модели логистической регрессии, обученной классификатору
В этом примере показано, как обучить модель логистической регрессии с помощью Classification Learner, а затем создать код C, который предсказывает метки с помощью экспортированной модели классификации.
Предскажите, что этикетки класса Используя ClassificationSVM предсказывают блок
Этот пример шоу, как использовать ClassificationSVM, Предсказывает блок для прогноза этикетки в Simulink®.
Спрогнозировать метки классов с помощью блока ForcedTree Predict
Обучите модель дерева принятия решений по классификации с помощью приложения Classification Learner, а затем используйте блок ClassionTree Predict для прогнозирования меток.
Прогнозирование меток классов с использованием блока прогнозирования Ensemble
Обучите модель классификационного ансамбля оптимальным гиперпараметрам, а затем используйте блок Прогнозирование классификационного ансамбля для прогнозирования метки.
Прогнозирование ответов с использованием блока прогнозирования RegingSVM
Обучите регрессионную модель машины вспомогательных векторов (SVM) с помощью приложения Regression Learner, а затем используйте блок RegingSVM Predict для прогнозирования ответа.
Прогнозирование ответов с помощью блока прогнозирования дерева RegingTree
В этом примере показано, как использовать блок прогнозирования RegingTree для прогнозирования ответа в Simulink ® .
Прогнозирование ответов с использованием блока прогнозирования RegingEnsemble
Тренировка модели регрессионного ансамбля с оптимальными гиперпараметрами, а затем использование блока прогнозирования RegingEnsemble для прогнозирования отклика.
Прогнозирование меток классов с использованием функционального блока MATLAB
Создание кода из модели Simulink, которая классифицирует данные с помощью модели SVM.
Системные объекты для классификации и создания кодов
Создайте код из системного object™ для прогнозирования с использованием обученной классификационной модели и используйте объект System в модели Simulink.
Прогнозирование меток классов с использованием потока состояний
Создайте код из модели Stateflow ®, которая классифицирует данные с помощью классификатора анализа дискриминантов.
Модель симулятора распознавания действий человека для развертывания с фиксированной точкой
Создание кода из модели классификации Simulink, подготовленной для развертывания с фиксированной точкой.
