主要内容

CompactRegressionSVM

包:classreg.learning.regr

紧凑的支持向量机金宝app回归模型

展开全部页面

描述

CompactRegressionSVM是一个紧凑的支持向量机(S金宝appVM)回归模型。它比一个完整的训练过的支持向量机模型(金宝appRegressionSVM模型)，因为它不存储用于训练模型的数据。

因为紧凑模型不存储训练数据，所以您不能使用它来执行某些任务，比如交叉验证。但是，您可以使用紧凑的SVM回归模型来预测使用新输入数据的响应。

建设

compactMdl=紧凑(mdl）返回一个紧凑的SVM回归模型compactMdl一个完整的训练过的SVM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

完整的，训练好的SVM回归模型，指定为RegressionSVM返回的模型fitrsvm．

属性

全部展开

双问题系数，指定为数值向量。α包含米元素,米为训练后SVM回归模型中的支持向量金宝app数。对偶问题为每个支持向量引入两个拉格朗日乘子。金宝app的价值α为支持向量的两个估计拉格朗日乘子之间的差异。金宝app详情请参见理解支持向量机回归金宝app．

如果指定使用删除重复项RemoveDuplicates，那么，对于一组特定的重复观测，即支持向量，金宝appα包含一个对应于整个集合的系数。也就是MATLAB®将非零系数属性为一组重复项中的一个观测值，且系数为0集合中所有其他重复的观测值。

数据类型:单|双

原始线性问题系数，存储为长度的数字向量p,在那里p为SVM回归模型中预测因子的个数。

中的值β是原始优化问题的线性系数。

如果模型是使用核函数而不是“线性”，此属性为空(“[]”)．

的预测方法计算模型的预测响应值为YFIT = (X/S)×Beta +偏差,在那里年代内核规模的值是否存储在KernelParameters。规模财产。

数据类型:双

支持向量机回归模型中的偏置项，存储为标量值。

数据类型:双

分类预测指标，指定为正整数向量。CategoricalPredictors包含指示相应预测符是分类的索引值。索引值在1和之间p,在那里p用于训练模型的预测器的数量。如果没有一个预测符是分类的，则此属性为空(［］)．

数据类型:单|双

扩展的预测器名称，存储为字符向量的单元格数组。

如果模型对分类变量使用编码，则ExpandedPredictorNames包括描述展开变量的名称。否则,ExpandedPredictorNames和PredictorNames．

数据类型:细胞

内核函数参数，存储为具有以下字段的结构。

场 描述
函数 内核函数名(一个字符向量)。
规模 用于划分预测值的数字比例因子。

可以为指定值KernelParameters。函数而且KernelParameters。规模通过使用KernelFunction而且KernelScale中的名称-值对参数fitrsvm,分别。

数据类型:结构体

预测器是指存储为数值向量的数据。

如果训练数据是标准化的，那么μ是长度的数字向量吗p,在那里p用于训练模型的预测器的数量。在这种情况下，预测方法中心预测矩阵X减去对应的元素μ从每一列。

如果训练数据不标准化，那么μ为空(“[]”)．

数据类型:单|双

预测器名称，存储为字符向量的单元格数组，其中包含每个预测器的名称，按其出现的顺序排列X．PredictorNames长度是否等于其中的列数X．

数据类型:细胞

响应变量名，存储为字符向量。

数据类型:字符

响应转换函数，指定为“没有”或者一个函数句柄。ResponseTransform描述软件如何转换原始响应值。

对于MATLAB函数或您定义的函数，输入其函数句柄。例如，输入Mdl。ResponseTransform = @函数,在那里函数接受原始响应的数字向量，并返回包含已转换响应的相同大小的数字向量。

数据类型:字符|function_handle

预测器标准偏差，存储为数值向量。

如果训练数据是标准化的，那么σ是长度的数字向量吗p,在那里p用于训练模型的预测器的数量。在这种情况下，预测方法对预测矩阵进行缩放X每一列都除以对应的元素σ，将每个元素居中后使用μ．

如果训练数据不标准化，那么σ为空(“[]”)．

数据类型:单|双

金宝app支持向量，存储为米——- - - - - -p数值矩阵。米为支持向量的个数(金宝app总和(Mdl.IsS金宝appupportVector)),p预测因子的数量在吗X．

如果指定使用删除重复项RemoveDuplicates，那么对于一个给定的重复观测集合，即支持向量，金宝app金宝appSupportVectors包含一个唯一的支持向量。金宝app

数据类型:单|双

对象的功能

discard金宝appSupportVectors 丢弃支持向量金宝app
incrementalLearner 将支持向量机(S金宝appVM)回归模型转换为增量学习器
石灰 局部可解释模型不可知解释(LIME)
损失 支持向量机回归模型的回归误差金宝app
partialDependence 计算部分依赖关系
plotPartialDependence 创建部分依赖图(PDP)和个别条件期望图(ICE)
预测 使用支持向量机回归模型预测反应金宝app
沙普利 沙普利值
更新 更新用于代码生成的模型参数

复制语义

价值。要了解值类如何影响复制操作，请参见复制对象．

例子

全部折叠

这个例子展示了如何通过丢弃训练数据和一些与训练过程相关的信息来减少一个完整的训练过的SVM回归模型的大小。

这个例子使用了来自UCI机器学习库的鲍鱼数据。下载数据并将其保存在当前目录中“abalone.data”．将数据读入表格．

可读的(“abalone.data”，“文件类型”，“文本”，“ReadVariableNames”、假);rng默认的再现率%

样本数据包含4177个观测值。所有的预测变量都是连续的，除了性，这是一个包含可能值的分类变量“米”(男性)“F”(适用于女性)，以及“我”(婴儿)。目标是通过物理测量来预测鲍鱼身上的环数，从而确定它的年龄。

使用高斯核函数和自动核标度训练SVM回归模型。标准化数据。

MDL = fitrsvm(tbl，“Var9”，“KernelFunction”，“高斯”，“KernelScale”，“汽车”，“标准化”,真正的)
mdl = RegressionSVM PredictorNames: {1x8 cell} ResponseName: 'Var9' CategoricalPredictors: 1 ResponseTransform: 'none' Alpha: [3635x1 double]偏差:10.8144内核参数:[1x1 struct] Mu: [1x10 double] Sigma: [1x10 double] NumObservations: 4177 BoxConstraints: [4177x1 double] ConvergenceInfo: [1x1 struct] IsSupportVector: [41金宝app77x1 logical]求解器:'SMO'属性，方法

压缩模型。

compactMdl = compact(mdl)
compactMdl = classreg.learning.regr.CompactRegressionSVM PredictorNames: {1x8 cell} ResponseName: 'Var9'分类预测器:1 ResponseTransform: 'none' Alpha: [3635x1 double]偏差:10.8144内核参数:[1x1 struct] Mu: [1x10 double] Sigma: [1x10 double]支持向量:[3635x10 double]属性，方法金宝app

压缩模型丢弃了训练数据和一些与训练过程相关的信息。

比较完整模型的大小mdl以及紧凑的模型compactMdl．

Vars = whoos (“compactMdl”，“mdl”）;(var (1) .bytes一样,var (2) .bytes]
Ans = 323793 775968

压缩模型消耗的内存大约是完整模型的一半。

参考文献

[1]纳什，w.j.， T. L.塞勒斯，S. R.塔尔博特，A. J.考索恩，W. B.福特。“塔斯马尼亚州鲍鱼(halotis种)的种群生物学。I.黑唇鲍鱼(h . rubra)来自北海岸和巴斯海峡群岛。”海洋渔业司，1994年第48号技术报告。

[2]哇，S。级联相关的扩展和基准测试:前馈监督人工神经网络级联相关架构的扩展和基准测试。塔斯马尼亚大学计算机科学系论文, 1995年。

[3]克拉克，D.施雷特，A.亚当斯。“逆向传播与逆向传播的定量比较”，提交给1996年澳大利亚神经网络会议。

[4]利希曼，M。UCI机器学习库[http://archive.ics.uci.edu/ml]。加州欧文市:加州大学信息与计算机科学学院。

扩展功能

版本历史

在R2015b中引入

另请参阅

|||