discard金宝appSupportVectors
丢弃支持向量金宝app
语法
mdlOut = discard金宝appSupportVectors(mdl)
描述
返回经过训练的线性支持向量机(SVM)回归模型金宝appmdlOut
= discard金宝appSupportVectors (mdl
)mdlOut
,这与经过训练的线性SVM回归模型类似mdl
,除了:
的
α
而且金宝appSupportVectors
属性为空([]
).如果你显示
mdlOut
,软件列出β
属性,而不是α
财产。
输入参数
输出参数
例子
提示
对于训练过的线性SVM回归模型金宝appSupportVectors
属性是一个nsv——- - - - - -p矩阵。nsv支持向量的数量(最多为训练样本量)金宝app和p是预测变量的数量。如果有任何预测因素是绝对的,那么p包括说明所有分类预测器水平所需的虚拟变量的数量。的α
属性是带有的向量nsv元素。
的金宝appSupportVectors
而且α
对于包含许多观察结果或示例的复杂数据集,属性可能很大。然而,β
属性是带有的向量p元素,它们可能要小得多。您可以使用训练过的支持向量机回归模型来预测响应值,即使您丢弃了支持向量金宝app预测
而且resubPredict
方法使用β
计算预测的反应。
如果训练过的线性SVM回归模型有许多支持向量,则使用金宝appdiscard金宝appSupportVectors
以减少经过训练的线性SVM回归模型所消耗的磁盘空间量。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
的预测
而且resubPredict
用公式估计响应值
地点:
β是Beta值,存储为
mdl。β
.β0偏差值是否存储为
mdl。偏见
.X
是训练数据。年代
内核比例值是否存储为mdl.KernelParameters.Scale
.
这样,软件就可以使用的价值mdl。β
即使丢弃支持向量也能做出预测。金宝app
版本历史
在R2015b中引入