Обучите модель выходных кодов с исправлением ошибок (ECOC) с помощью двоичных учащихся SVM и создайте конфигуратор кодера для модели. Используйте свойства конфигуратора кодера, чтобы задать атрибуты кодера параметров модели ECOC. Используйте функцию объекта конфигуратора кодера, чтобы сгенерировать код С, который предсказывает метки для новых данных предиктора. Затем переобучите модель с помощью разных настроек, и обновите параметры в сгенерированном коде, не регенерируя код.
Обучите модель
Загрузите набор данных радужки Фишера.
Создайте двоичный шаблон учащегося SVM, чтобы использовать функцию Гауссова ядра и стандартизировать данные предиктора.
Обучите многоклассовую модель ECOC с помощью шаблона t.
Mdl является ClassificationECOC объект.
Создайте конфигуратор кодера
Создайте конфигуратор кодера для ClassificationECOC моделировать при помощи learnerCoderConfigurer. Задайте данные предиктора X. The learnerCoderConfigurer функция использует входную X конфигурирование атрибутов кодера predict входной параметр функции. Кроме того, установите количество выходов 2, чтобы сгенерированный код вернул первые два выхода predict функция, которые являются предсказанными метками и отрицательными средними двоичными потерями.
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 является ClassificationECOCCoderConfigurer объект, который является конфигуратором кодера ClassificationECOC объект. На отображении показаны настраиваемые входные параметры predict и update: X, BinaryLearners, Prior, и Cost.
Задайте атрибуты параметров кодера
Задайте атрибуты кодера predict аргументы (данные предиктора и аргументы пары "имя-значение" 'Decoding' и 'BinaryLoss') и update аргументы (поддерживающие векторы учащихся SVM), чтобы можно было использовать эти аргументы в качестве входных параметров predict и update в сгенерированном коде.
Во-первых, задайте атрибуты кодера X чтобы сгенерированный код принял любое количество наблюдений. Измените SizeVector и VariableDimensions атрибуты. The SizeVector атрибут задает верхнюю границу размера данных предиктора и VariableDimensions атрибут определяет, имеет ли каждую размерность данных предиктора переменный размер или фиксированный размер.
Размер первой размерности является количеством наблюдений. В этом случае код указывает, что верхняя граница размера Inf и размер переменен, что означает, что X может иметь любое количество наблюдений. Эта спецификация удобна, если вы не знаете количество наблюдений при генерации кода.
Размер второго измерения является количеством переменных. Это значение должно быть фиксировано для модели машинного обучения. X содержит 4 предиктора, поэтому второе значение SizeVector атрибут должен быть 4, и второе значение VariableDimensions атрибут должен быть false.
Затем измените атрибуты кодера BinaryLoss и Decoding использовать 'BinaryLoss' и 'Decoding' Аргументы пары "имя-значение" в сгенерированном коде. Отображение атрибутов кодера BinaryLoss.
ans =
EnumeratedInput with properties:
Value: 'hinge'
SelectedOption: 'Built-in'
BuiltInOptions: {1x7 cell}
IsConstant: 1
Tunability: 0
Чтобы использовать значение nondefault в сгенерированном коде, необходимо задать значение перед генерацией кода. Задайте Value атрибут BinaryLoss как 'exponential'.
ans =
EnumeratedInput with properties:
Value: 'exponential'
SelectedOption: 'Built-in'
BuiltInOptions: {1x7 cell}
IsConstant: 1
Tunability: 1
Если вы изменяете значения атрибутов при Tunability является false (логический 0), программное обеспечение устанавливает Tunability на true (логический 1).
Отображение атрибутов кодера Decoding.
ans =
EnumeratedInput with properties:
Value: 'lossweighted'
SelectedOption: 'Built-in'
BuiltInOptions: {'lossweighted' 'lossbased'}
IsConstant: 1
Tunability: 0
Задайте IsConstant атрибут Decoding как false чтобы можно было использовать все доступные значения в BuiltInOptions в сгенерированном коде.
ans =
EnumeratedInput with properties:
Value: [1x1 LearnerCoderInput]
SelectedOption: 'NonConstant'
BuiltInOptions: {'lossweighted' 'lossbased'}
IsConstant: 0
Tunability: 1
Программное обеспечение изменяет Value атрибут Decoding в LearnerCoderInput объект так, что можно использовать оба 'lossweighted' и 'lossbased'как значение 'Decoding'. Кроме того, программное обеспечение устанавливает SelectedOption на 'NonConstant' и Tunability на true.
Наконец, измените атрибуты кодера SupportVectors в BinaryLearners. Отображение атрибутов кодера SupportVectors.
ans =
LearnerCoderInput with properties:
SizeVector: [54 4]
VariableDimensions: [1 0]
DataType: 'double'
Tunability: 1
Значение по умолчанию VariableDimensions является [true false] потому что каждый учащийся имеет разное количество векторов поддержки. Если переобучить модель ECOC с помощью новых данных или других настроек, количество поддержки векторов в учениках SVM может варьироваться. Поэтому увеличьте верхнюю границу количества поддержки векторов.
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 для удовлетворения ограничениям строения. Если изменение атрибутов кодера одного параметра требует последующих изменений других зависимых параметров, чтобы удовлетворить ограничениям строения, то программное обеспечение изменяет атрибуты кодера зависимых параметров.
Отобразите конфигуратор кодера.
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
Теперь отображение включает BinaryLoss и Decoding также.
Сгенерируйте код
Чтобы сгенерировать код C/C + +, вы должны иметь доступ к компилятору C/C + +, который настроен правильно. MATLAB Coder находит и использует поддерживаемый, установленный компилятор. Можно использовать mex -setup чтобы просмотреть и изменить компилятор по умолчанию. Для получения дополнительной информации см. раздел «Изменение компилятора по умолчанию».
Сгенерируйте код для predict и update функции классификационной модели ECOC (Mdl).
generateCode creates these files in output folder:
'initialize.m', 'predict.m', 'update.m', 'ClassificationECOCModel.mat'
Code generation successful.
The generateCode функция завершает следующие действия:
Сгенерируйте файлы MATLAB, необходимые для генерации кода, включая две функции точки входа predict.m и update.m для predict и update функции Mdl, соответственно.
Создайте MEX-функцию с именем 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 предиктора, чтобы проверить, predict лиMdl и predict функция в MEX-функция возвращает те же метки. Чтобы вызвать функцию точки входа в MEX-функция, которая имеет более одной точки входа, укажите имя функции в качестве первого входного параметра. Потому что вы указали 'Decoding' как настраиваемый входной параметр путем изменения IsConstant атрибут перед генерацией кода, вы также должны задать его в вызове MEX-функции, хотя 'lossweighted' - значение по умолчанию 'Decoding'.
Сравнение label на label_mex при помощи isequal.
isequal возвращает логический 1 (true), если все входы равны. Сравнение подтверждает, что predict функция Mdl и predict функция в MEX-функция возвращает те же метки.
NegLoss_mex могут включать круглые различия по сравнению с NegLoss. В этом случае сравните NegLoss_mex на NegLoss, допускающий небольшой допуск.
ans =
0x1 empty double column vector
Сравнение подтверждает, что NegLoss и NegLoss_mex равны в пределах допуска 1e–8.
Переобучите модель и параметры обновления в сгенерированном коде
Переобучите модель с помощью другой настройки. Задайте 'KernelScale' как 'auto' чтобы программа выбирала соответствующий масштабный коэффициент с помощью эвристической процедуры.
Извлечение параметров для обновления при помощи validatedUpdateInputs. Эта функция обнаруживает измененные параметры модели в retrainedMdl и подтверждает, удовлетворяют ли измененные значения параметров атрибутам кодера параметров.
Обновляйте параметры в сгенерированном коде.
Проверьте сгенерированный код
Сравните выходы predict функция retrainedMdl к выходам из predict функция в обновленной MEX-функции.
ans =
0x1 empty double column vector
Сравнение подтверждает, что label и label_mex равны, и NegLoss и NegLoss_mex равны в пределах допуска.
