丢弃俯视普罗瓦金宝app特向量
丢弃支持向量金宝app
句法
mdlout = discard金宝appsupportVectors(MDL)
描述
返回训练,线性支持向量机(SVM)回归模型金宝appmdlout.
= Discard金宝appSupportVectors(mdl
的)mdlout.
,类似于训练的线性SVM回归模型mdl
,除了:
这
Α
和金宝app支持监视器
属性为空([]
)。如果你展示
mdlout.
,软件列出了bet
属性代替Α
财产。
输入参数
输出参数
例子
提示
对于经过训练的线性支持向量机回归模型,则金宝app支持监视器
物业是An.N.SV.——- - - - - -P.矩阵。N.SV.支持向量的数量(最多为训练样本大小金宝app)和P.是预测变量的个数。如果任何一个预测因素是明确的,那么P.包括帐户所需的虚拟变量数,以满足所有分类预测器级别。这Α
属性是矢量N.SV.元素。
这金宝app支持监视器
和Α
对于包含许多观察或示例的复杂数据集,属性很大。但是,那bet
属性是矢量P.元素,可能要小得多。您可以使用经过训练的SVM回归模型来预测响应值,即使您丢弃了支持向量,因为金宝app预测
和重新预订
方法使用bet
计算预测的响应。
如果训练的线性SVM回归模型有很多支持向量,则使用金宝app丢弃俯视普罗瓦金宝app特向量
为了减少培训的线性SVM回归模型消耗的磁盘空间量。您可以通过输入显示支持向量矩阵的大小金宝app大小(mdlin.su金宝apppportVectors)
.
算法
在哪里:
β是β值,存储为
mdl。β
.β0.是否将偏差值存储为
mdl.bias.
.X
是培训数据。S.
是内核比例值,存储为mdl.kernelparameters.scale.
.
这样,软件才能利用的价值mdl。β
即使在丢弃支持向量后仍能进行预测。金宝app