Документация

В Classification Learner выберите модель, которую вы хотите экспортировать в панели Models.

На вкладке Classification Learner, в разделе Export, нажатии кнопки одной из опций экспорта:

В диалоговом окне Export Model отредактируйте имя для своей экспортируемой переменной, если вы хотите, и затем нажимаете OK. Имя по умолчанию для вашей экспортируемой модели, trainedModel, постепенно увеличивается каждый раз, когда вы экспортируете, чтобы не перезаписывать ваши классификаторы (например, trainedModel1).

Новая переменная (например, trainedModel) появляется в вашей рабочей области.

Информация об отображениях приложения об экспортируемой модели в командном окне. Считайте сообщение, чтобы изучить, как сделать предсказания с новыми данными.

Использовать экспортируемый классификатор, чтобы сделать предсказания для новых данных, T, используйте форму:

yfit = C.predictFcn(T)

Снабдите данными T с тем же форматом и типом данных как обучающие данные, используемые в приложении (таблица или матрица).

Выход yfit содержит предсказание класса для каждой точки данных.

Исследуйте поля экспортируемой структуры. Для предсказаний создания справки, введите:

C.HowToPredict

В Classification Learner, в панели Models, выбирают модель, для которой вы хотите сгенерировать код.

На вкладке Classification Learner, в разделе Export, нажимают Generate Function.

Приложение генерирует код от вашего сеанса и отображает файл в редакторе MATLAB. Файл включает предикторы и ответ, методы обучения классификатора и методы валидации. Сохраните файл.

Чтобы переобучить вашу модель классификатора, вызовите функцию из командной строки с вашими исходными данными или новыми данными как входной параметр или аргументы. Новые данные должны иметь ту же форму как исходные данные.

Скопируйте первую строку сгенерированного кода, исключая слово function, и отредактируйте trainingData входной параметр, чтобы отразить имя переменной ваших обучающих данных или новых данных. Точно так же отредактируйте responseData входной параметр (если применимо).

Например, чтобы переобучить классификатор, обученный с fishertable набор данных, введите:

[trainedModel,validationAccuracy] = trainClassifier(fishertable)

Сгенерированный код возвращает trainedModel структура, которая содержит те же поля как структура, которую вы создаете, когда вы экспортируете классификатор от Classification Learner до рабочей области.

Если вы хотите автоматизировать обучение тот же классификатор с новыми данными или изучить, как программно обучить классификаторы, исследовать сгенерированный код. Код показывает вам как:

Например, обучите модель SVM в Classification Learner, и затем экспортируйте модель в рабочую область.

Найдите базовый объект модели классификации в экспортируемой структуре. Исследуйте поля структуры, чтобы найти объект модели, например, C.ClassificationSVM, где C имя вашей структуры.

Базовый объект модели зависит от того, какой SVM вы обучили (двоичный файл или мультикласс) и экспортировали ли вы компактную модель. Объектом модели может быть ClassificationSVM, CompactClassificationSVM, ClassificationECOC, или CompactClassificationECOC.

Используйте функцию saveLearnerForCoder подготовить модель к генерации кода: saveLearnerForCoder(Mdl,filename). Например:

saveLearnerForCoder(C.ClassificationSVM,'mySVM')

Создайте функцию, которая загружает сохраненную модель и делает предсказания на новых данных. Например:

function label = classifyX (X) %#codegen 
%CLASSIFYX Classify using SVM Model 
%  CLASSIFYX classifies the measurements in X 
%  using the SVM model in the file mySVM.mat, and then 
%  returns class labels in label.

CompactMdl = loadLearnerForCoder('mySVM'); 
label = predict(CompactMdl,X);
end

Сгенерируйте MEX-функцию от своей функции. Например:

codegen classifyX.m -args {data}

Используйте MEX-функцию, чтобы сделать предсказания. Например:

labels = classifyX_mex(data);

Сохраните поля PCACenters и PCACoefficients обученной структуры классификатора, C, к файлу используя следующую команду:

save('pcaInfo.mat','-struct','C','PCACenters','PCACoefficients'); 

В вашем файле функции включайте дополнительные линии, чтобы выполнить преобразование PCA. Создайте функцию, которая загружает сохраненную модель, выполняет PCA и делает предсказания на новых данных. Например:

function label = classifyX (X) %#codegen 
%CLASSIFYX Classify using SVM Model 
%  CLASSIFYX classifies the measurements in X 
%  using the SVM model in the file mySVM.mat,  
%  and then returns class labels in label.
% If you used manual feature selection in the app, ensure that X
% contains only the columns you included in the model.

CompactMdl = loadLearnerForCoder('mySVM'); 
pcaInfo = coder.load('pcaInfo.mat','PCACenters','PCACoefficients');
PCACenters = pcaInfo.PCACenters;
PCACoefficients = pcaInfo.PCACoefficients;

% Performs PCA transformation 
pcaTransformedX = bsxfun(@minus,X,PCACenters)*PCACoefficients;

[label,scores] = predict(CompactMdl,pcaTransformedX);
end