主要内容

CompactRegressionSVM

包:classreg.learning.regr

紧凑的支持向量机金宝app回归模型

扩展所有的页面

描述

CompactRegressionSVM是一个紧凑的支持向量机(S金宝appVM)回归模型。它消耗更少的内存比一个完整的训练支持向量机模型(金宝appRegressionSVM模型),因为它不存储数据用于训练模型。

因为紧凑的模型并不存储训练数据,你无法使用它来执行某些任务,如交叉验证。不过,您可以使用一个紧凑的SVM回归模型预测反应使用新的输入数据。

建设

compactMdl=紧凑(mdl)返回一个紧凑的SVM回归模型compactMdl从一个完整的,训练支持向量机回归模型,mdl。有关更多信息,请参见紧凑的。

输入参数

全部展开

满,训练支持向量机回归模型,指定为一个RegressionSVM返回的模型fitrsvm。

属性

全部展开

对偶问题的系数,指定为一个向量的数值。α包含米元素,米支持向量的个数在训练支持向量机回归金宝app模型。对偶问题为每个支持向量引入了两个拉格朗日乘数法。金宝app的值α之间的差异是两个拉格朗日乘数法估计的支持向量。金宝app更多细节,请参阅了解支持向量机回归金宝app。

如果你指定删除重复使用RemoveDuplicates那么,为一组特定的重复观测的支持向量,金宝appα包含一个系数对应于整个集。也就是说,MATLAB®属性的非零系数,观察组副本和一个系数0所有其他的重复观测。

数据类型:单|双

原始系数线性问题,存储为一个数值向量的长度p,在那里p在支持向量机回归模型预测的数量。

中的值β线性系数的原始优化问题。

如果获得的模型使用一个内核函数以外“线性”这个属性是空的(“[]”)。

的预测方法计算模型作为预测响应值YFIT = (X / S)×β+偏见,在那里年代的值是存储在内核规模KernelParameters.Scale财产。

数据类型:双

偏见的SVM回归模型、存储作为一个标量值。

数据类型:双

分类预测指标,指定为一个向量的正整数。CategoricalPredictors包含索引值表明相应的预测分类。索引值介于1和p,在那里p预测的数量被用来训练模型。如果所有的预测都直言,那么这个属性是空的([])。

数据类型:单|双

扩展预测名称,存储单元阵列的特征向量。

如果分类变量的模型使用的编码,那么ExpandedPredictorNames包括名称,描述变量扩展。否则,ExpandedPredictorNames是一样的PredictorNames。

数据类型:细胞

核函数参数,与以下字段存储为一个结构。

场 描述
函数 内核函数名(一个特征向量)。
规模 数字比例因子用于划分预测价值。

您可以指定值KernelParameters.Function和KernelParameters.Scale通过使用KernelFunction和KernelScale名称-值对的论据fitrsvm,分别。

数据类型:结构体

预测方法,存储为一个向量的数值。

如果训练数据标准化μ是一个数值向量的长度p,在那里p预测的数量被用来训练模型。在这种情况下,预测方法中心预测矩阵X通过减去相应的元素μ从每一列。

如果训练数据不是标准化的μ是空的(“[]”)。

数据类型:单|双

预测指标名称、存储单元阵列的特征向量包含每个指标的名称中出现的顺序X。PredictorNames长度等于列数X。

数据类型:细胞

响应变量名称,存储为一个特征向量。

数据类型:字符

响应变换函数,指定为“没有”或一个函数处理。ResponseTransform描述了软件转换原始响应值。

MATLAB函数或你定义一个函数,输入函数处理。例如,您可以输入Mdl。ResponseTransform = @函数,在那里函数接受一个数字矢量的原始响应并返回一个同样大小的数值向量包含转换后的反应。

数据类型:字符|function_handle

预测标准差,存储为一个向量的数值。

如果训练数据标准化σ是一个数值向量的长度p,在那里p预测的数量被用来训练模型。在这种情况下,预测尺度预测矩阵方法X每一列除以相应的元素σ后,定心每个元素使用μ。

如果训练数据不是标准化的σ是空的(“[]”)。

数据类型:单|双

金宝app支持向量,存储为一个米——- - - - - -p矩阵的数值。米支持向量的个数(金宝app总和(Mdl.IsS金宝appupportVector)),p预测的数量吗X。

如果你指定删除重复使用RemoveDuplicates,那么对于一个给定的重复观测的支持向量,金宝app金宝appSupportVectors包含一个独特的支持向量。金宝app

数据类型:单|双

对象的功能

discard金宝appSupportVectors 丢弃的支持向量金宝app
incrementalLearner 将支持向量机(S金宝appVM)回归模型增量学习
石灰 本地可model-agnostic解释(石灰)
损失 回归支持向量机回归模型误差金宝app
partialDependence 计算部分依赖
plotPartialDependence 创建部分依赖图(PDP)和个人条件期望(ICE)情节
预测 使用支持向量机回归模型预测的反应金宝app
沙普利 沙普利值
更新 更新模型参数代码生成

复制语义

价值。学习如何价值类影响复制操作,明白了复制对象。

例子

全部折叠

这个例子展示了如何减少一个完整的大小,训练支持向量机回归模型通过丢弃训练数据和一些相关信息的训练过程。

下面的例子使用了鲍鱼UCI机器学习的数据存储库。下载数据并将其保存在当前目录的名字“abalone.data”。读取数据表。

台= readtable (“abalone.data”,“文件类型”,“文本”,“ReadVariableNames”、假);rng默认的%的再现性

样本数据包含4177个观测。所有的预测变量是连续的除外性与可能的值,这是一个类别变量“米”(男性)“F”(女性)“我”(婴儿)。目标是预测环在鲍鱼的数量,从而确定其年龄,使用物理测量。

火车一个使用高斯核函数支持向量机回归模型和一个自动内核规模。标准化数据。

mdl = fitrsvm(资源描述,“Var9”,“KernelFunction”,“高斯”,“KernelScale”,“汽车”,“标准化”,真正的)
mdl = RegressionSVM PredictorNames:{1×8细胞}ResponseName:“Var9”CategoricalPredictors: 1 ResponseTransform:‘没有’α:[3635 x1双]偏见:10.8144 KernelParameters: [1 x1 struct]μ:σ[1 x10双]:[1 x10双]NumObservations: 4177 BoxConstraints: x1双[4177]ConvergenceInfo: [1 x1 struct] IsSupportVector: x1逻辑[4177]解算器:SMO的属性,方法金宝app

紧凑的模型。

compactMdl =紧凑(mdl)
compactMdl = classreg.learning.regr。CompactRegressionSVMPredictorNames: {1x8 cell} ResponseName: 'Var9' CategoricalPredictors: 1 ResponseTransform: 'none' Alpha: [3635x1 double] Bias: 10.8144 KernelParameters: [1x1 struct] Mu: [1x10 double] Sigma: [1x10 double] SupportVectors: [3635x10 double] Properties, Methods

丢弃的压实模型训练数据和一些相关信息的训练过程。

比较完整的模型的大小mdl和紧凑的模型compactMdl。

var =谁(“compactMdl”,“mdl”);(var (1) .bytes一样,var (2) .bytes]
ans = 323793 775968

压实模型消耗大约一半的记忆完整的模型。

引用

[1]纳什,j,T. L. Sellers, S. R. Talbot, A. J. Cawthorn, and W. B. Ford. "The Population Biology of Abalone (Haliotis species) in Tasmania. I. Blacklip Abalone (h . rubra从北海岸和岛屿的巴斯海峡。”年代ea Fisheries Division, Technical Report No. 48, 1994.

[2]沃,S。Cascade-Correlation扩展和基准:扩展Cascade-Correlation体系结构和前馈人工神经网络监管的基准。”塔斯马尼亚大学计算机科学论文,1995年。

[3]克拉克,D。,Z. Schreter, A. Adams. "A Quantitative Comparison of Dystal and Backpropagation." submitted to the Australian Conference on Neural Networks, 1996.

[4]Lichman, M。UCI机器学习库[http://archive.ics.uci.edu/ml]。欧文CA:加州大学学校的信息和计算机科学。

扩展功能

版本历史

介绍了R2015b

另请参阅

|||