收集与GPU阵列数据拟合的线性回归模型的属性。

加载carsmall数据集。创建X作为一个数字矩阵，包含三个汽车性能指标。创建Y作为一个数字矢量，包含相应的英里每加仑。

负载carsmallX =(重量、马力、加速度);Y = MPG;

将预测X和响应Y来gpuArray(并行计算工具箱)对象。

X = gpuArray (X);Y = gpuArray (Y);

拟合线性回归模型mdl通过使用fitlm．

mdl = fitlm (X, Y);

显示的系数mdl判断估计的系数值是否为GPU阵列。

mdl。系数

ans =4×4表e- x x x x x x x x x x x x x x x x x

isgpuarray (mdl.Coefficients.Estimate)

ans =逻辑1

收集线性回归模型的属性。

gatheredMdl =收集(mdl);

显示的系数gatheredMdl判断估计的系数值是否为GPU阵列。

gatheredMdl。系数

ans =4×4表e- x x x x x x x x x x x x x x x x x

isgpuarray (gatheredMdl.Coefficients.Estimate)

ans =逻辑0

收集一个线性回归模型和一个k最近的邻居分类器。两个模型都使用GPU阵列数据拟合。

加载carsmall数据集。创建X作为一个数字矩阵，包含三个汽车性能指标，并转换预测器X到一个gpuArray对象。

负载carsmallX =(重量、马力、加速度);X = gpuArray (X);

拟合的线性回归模型英里/加仑(英里每加仑)作为预测器的函数X．

mdlLinear = fitlm (X, MPG);

使用预测器训练3最近邻分类器X和类气缸．标准化非分类预测数据。

mdlKNN = fitcknn (X,气缸,“NumNeighbors”，3，“标准化”1);

收集的属性mdLinear和mdlKNN模型。

[gMdlLinear, gMdlKNN] =收集(mdlLinear mdlKNN);

确定p-回归模型的Durbin-Watson检验的值mdlLinear为GPU阵列。

isgpuarray (dwt (mdlLinear))

ans =逻辑1

确定p-收集的回归模型的Durbin-Watson测试的值gMdlLinear为GPU阵列。

isgpuarray (dwt (gMdlLinear))

ans =逻辑0

确定是否丢失了分类器的重新替换mdlKNN为GPU阵列。

isgpuarray (resubLoss (mdlKNN))

ans =逻辑1

确定收集的分类器是否丢失了重新替换gMdlKNN为GPU阵列。

isgpuarray (resubLoss (gMdlKNN))

ans =逻辑1