主要内容

discard金宝appSupportVectors

放弃支持向量线性金宝app支持向量机(SVM)分类器

描述

例子

Mdl= discard金宝appSupportVectors (MdlSV)返回训练,线性支持向量机(SVM)模型金宝appMdl。这两个Mdl和训练,线性支持向量机模型MdlSV相同类型的对象。也就是说,他们都是ClassificationSVM对象或CompactClassificationSVM对象。然而,MdlMdlSV在以下方面有所不同:

例子

全部折叠

创建一个线性支持向量机模型,更节约内存通过丢弃支持向量和其他相关参数。金宝app

加载电离层数据集。

负载电离层

火车一个线性SVM模型使用整个数据集。

MdlSV = fitcsvm (X, Y)
MdlSV = ClassificationSVM ResponseName:‘Y’CategoricalPredictors:[]类名:{b ' g '} ScoreTransform:“没有一个”NumObservations: 351α:[103 x1双]偏见:-3.8827 KernelParameters: [1 x1 struct] BoxConstraints: x1双[351]ConvergenceInfo: [1 x1 struct] IsSupportVector: x1逻辑[351]解算器:SMO的属性,金宝app方法

显示支持向量的个数金宝appMdlSV

numSV =大小(MdlSV.Sup金宝appportVectors, 1)
numSV = 103

显示的预测变量X

p =大小(X, 2)
p = 34

默认情况下,fitcsvm火车两种学习的线性支持向量机模型。软件列表α在显示。模型包括103个支持向量和34个预测因子。金宝app如果你丢弃的支持向量,由此产生的模型将金宝app消耗更少的内存。

丢弃的支持向量和其他相关金宝app参数。

Mdl = discard金宝appSupportVectors (MdlSV)
Mdl = ClassificationSVM ResponseName:‘Y’CategoricalPredictors:[]类名:{b ' g '} ScoreTransform:“没有一个”NumObservations: 351β:[34 x1双]偏见:-3.8827 KernelParameters: [1 x1 struct] BoxConstraints: x1双[351]ConvergenceInfo: [1 x1 struct] IsSupportVector: x1逻辑[351]解算器:SMO的属性金宝app,方法

显示系数Mdl

Mdl.Alpha
ans = []

显示支持向量金宝appMdl

Mdl.金宝appSupportVectors
ans = []

显示支持向量类标签金宝appMdl

Mdl.金宝appSupportVectorLabels
ans = []

软件列表β在显示代替α。的α,金宝appSupportVectors,金宝appSupportVectorLabels属性是空的。

比较模型的大小。

var =谁(“MdlSV”,“Mdl”);100 * (1 - var (1) .bytes / var (2) .bytes)
ans = 20.5503

Mdl小于20%MdlSV

删除MdlSV从工作空间。

清晰的MdlSV

紧凑的SVM模型通过丢弃存储支持向量和其他相关估计。金宝app训练数据的预测的标签行通过使用压缩模型。

加载电离层数据集。

负载电离层rng (1);%的再现性

火车一个SVM模型使用默认选项。

MdlSV = fitcsvm (X, Y);

MdlSV是一个ClassificationSVM模型包含的非空的值α,金宝appSupportVectors,金宝appSupportVectorLabels属性。

支持向量机模型的大小减少丢弃训练数据,支持向量,和相关的估计。金宝app

CMdlSV =紧凑(MdlSV);%丢弃训练数据CMdl = discard金宝appSupportVectors (CMdlSV);%丢弃支持向量金宝app

CMdl是一个CompactClassificationSVM模型。

支持向量机模型的大小进行比较MdlSVCMdl

var =谁(“MdlSV”,“CMdl”);100 * (1 - var (1) .bytes / var (2) .bytes)
ans = 96.8174

压实模型CMdl消耗更少的内存比完整的模型。

为一个随机预测标签行训练数据的使用CMdl。的预测函数接受压缩SVM模型,线性支持向量机模型,不需要α,金宝appSupportVectors,金宝appSupportVectorLabels属性来预测新观察标签。

idx = randsample(大小(X, 1), 1)
idx = 147
predictedLabel =预测(CMdl X (idx,:))
predictedLabel =1 x1单元阵列{b}
trueLabel = Y (idx)
trueLabel =1 x1单元阵列{b}

输入参数

全部折叠

训练,线性支持向量机模型,指定为一个ClassificationSVMCompactClassificationSVM模型。

如果这个领域MdlSV.KernelParameters.Function不是“线性”(即,MdlSV不是一个线性SVM模型),软件返回一个错误。

提示

  • 一个训练有素的线性支持向量机模型,金宝appSupportVectors房地产是一个nsv——- - - - - -p矩阵。nsv是支持向量的数量(最多训练样本大小金宝app)和p预测的数量,或特性。的α金宝appSupportVectorLabels属性向量与nsv元素。这些属性可以为复杂的大数据集包含许多观察或例子。的β房地产是一个矢量p元素。

  • 如果训练SVM模型有许多支持向量,使用金宝appdiscard金宝appSupportVectors减少的空间训练,消耗的线性支持向量机模型。您可以显示的大小通过输入支持向量矩阵金宝app大小(MdlSV.Su金宝apppportVectors)

算法

预测resubPredict估计SVM分数f(x),随后使用标签和估计后验概率

f ( x ) = x β + b

βMdl.BetabMdl.Bias,即β偏见的属性Mdl,分别。更多细节,请参阅金宝app支持向量机的二叉分类

扩展功能

版本历史

介绍了R2015a