紧凑的

减少机器学习模型的规模

折叠所有页面

语法

CompactMdl =紧凑(Mdl)

描述

例子

CompactMdl=紧凑(Mdl）返回一个紧凑模型(CompactMdl)，即训练有素的机器学习模型的精简版Mdl．

CompactMdl不包含培训数据，然而Mdl在其中包含训练数据X和Y属性。因此，尽管您可以使用CompactMdl，则不能使用紧凑模型执行交叉验证等任务。

例子

全部折叠

减小朴素贝叶斯分类器的大小

打开生活的脚本

通过删除训练数据来减小完整朴素贝叶斯分类器的大小。完全朴素贝叶斯分类器保存训练数据。您可以使用紧凑的朴素贝叶斯分类器来提高内存效率。

加载电离层数据集。删除前两个预测稳定性的指标。

负载电离层X = X(:, 3:结束);

使用预测器训练朴素贝叶斯分类器X和类标签Y．推荐的做法是指定类名。fitcnb假设每个预测器都是有条件的正态分布。

Mdl = fitcnb (X, Y,“类名”, {“b”，‘g’}）

Mdl = ClassificationNaiveBayes ResponseName: 'Y' CategoricalPredictors: [] ClassNames: {'b' ' 'g'} ScoreTransform: 'none' NumObservations: 351 DistributionNames: {1x32 cell} DistributionParameters: {2x32 cell}属性，方法

Mdl是一个培训ClassificationNaiveBayes分类器。

减小朴素贝叶斯分类器的大小。

CMdl =紧凑(Mdl)

CMdl = CompactClassificationNaiveBayes ResponseName: 'Y' CategoricalPredictors: [] ClassNames: {'b' ' 'g'} ScoreTransform: 'none' DistributionNames: {1x32 cell} DistributionParameters: {2x32 cell}属性，方法

CMdl是一个培训CompactClassificationNaiveBayes分类器。

显示每个分类器使用的内存数量。

谁(“Mdl”，“CMdl”）

Name Size Bytes Class Attributes CMdl 1x1 15060 classreg.learning. Class . compactclassificationnaivebayes Mdl 1x1 111174 ClassificationNaiveBayes

完整朴素贝叶斯分类器(Mdl)比紧实朴素贝叶斯分类器(CMdl）.

为了有效地标记新的观察结果，您可以删除Mdl从MATLAB®工作空间，然后通过CMdl和新的预测值预测．

减小支持向量机分类器的尺寸

打开生活的脚本

通过去除训练数据来减小全支持向量机分类器的大小。金宝app全SVM分类器(即，ClassificationSVM分类器)保存训练数据。为了提高效率，使用较小的分类器。

加载电离层数据集。

负载电离层

训练SVM分类器。标准化预测器数据并指定类的顺序。

SVMModel = fitcsvm (X, Y,“标准化”,真的,．..“类名”, {“b”，‘g’}）

SVMModel = ClassificationSVM ResponseName:‘Y’CategoricalPredictors:[]类名:{b ' g '} ScoreTransform:“没有一个”NumObservations: 351α:[90 x1双]偏见:-0.1343 KernelParameters: [1 x1 struct]μ:σ[1 x34双]:[1 x34双]BoxConstraints: x1双[351]ConvergenceInfo: [1 x1 struct] IsSupportVector: x1逻辑[351]解算器:金宝appSMO的属性,方法

SVMModel是一个ClassificationSVM分类器。

减小支持向量机分类器的大小。

CompactSVMModel =紧凑(SVMModel)

CompactSVMModel = CompactClassificationSVM ResponseName: 'Y' CategoricalPredictors: [] ClassNames: {'b' ' 'g'} ScoreTransform: 'none' Alpha: [90x1 double] Bias: -0.1343 KernelParameters: [1x1 struct] Mu: [1x34 double] Sigma: [1x34 double金宝app] SupportVectors: [90x34 double] SupportVectorLabels: [90x1 double]属性，方法

CompactSVMModel是一个CompactClassificationSVM分类器。

显示每个分类器使用的内存数量。

谁(“SVMModel”，“CompactSVMModel”）

Name Size Bytes Class Attributes CompactSVMModel 1x1 31058 classreg.learning.category . compactclassificationsvm SVMModel 1x1 141148 ClassificationSVM

完整的SVM分类器(SVMModel)比紧凑的SVM分类器(CompactSVMModel）.

为了有效地标记新的观察结果，您可以删除SVMModel从MATLAB®工作空间，然后通过CompactSVMModel和新的预测值预测．

为了进一步减小紧凑的SVM分类器的尺寸，使用discard金宝appSupportVectors函数丢弃支持向量。金宝app

减小广义可加模型的尺寸

打开生活的脚本

通过删除训练数据来减少用于回归的完整广义可加模型(GAM)的大小。完整的模型保存训练数据。您可以使用一个紧凑的模型来提高内存效率。

加载carbig数据集。

负载carbig

指定加速度，位移，马力,重量为预测变量(X),英里/加仑为响应变量(Y）.

X =(加速度、位移、马力、重量);Y = MPG;

训练GAM使用X和Y．

Mdl = fitrgam (X, Y)

Mdl = RegressionGAM ResponseName: 'Y' CategoricalPredictors: [] ResponseTransform: 'none'拦截:26.9442 NumObservations: 398属性，方法

Mdl是一个RegressionGAM模型对象。

缩小模型的尺寸。

CMdl =紧凑(Mdl)

CMdl = CompactRegressionGAM ResponseName: 'Y' CategoricalPredictors: [] ResponseTransform: 'none'拦截:26.9442属性，方法

CMdl是一个CompactRegressionGAM模型对象。

显示每个回归模型使用的内存数量。

谁(“Mdl”，“CMdl”）

Name Size Bytes Class Attributes CMdl 1x1 578154 classreg.learning.regr.CompactRegressionGAM Mdl 1x1 611947 RegressionGAM

完整模型(Mdl)比小型机(CMdl）.

为了有效地预测新观测的响应，您可以删除Mdl从MATLAB®工作空间，然后通过CMdl和新的预测值预测．

输入参数

全部折叠

`Mdl`- - - - - -机器学习模型
全回归模型对象|全分类模型对象

机器学习模型，指定为一个完整的回归或分类模型对象，如下表所示的支持模型。金宝app

回归模型对象

模型	全回归模型对象
广义加性模型	`RegressionGAM`
神经网络模型	`RegressionNeuralNetwork`

分类模型对象

模型	全分类模型对象
广义加性模型	`ClassificationGAM`
朴素贝叶斯模型	`ClassificationNaiveBayes`
神经网络模型	`ClassificationNeuralNetwork`
金宝app支持向量机的一类和二值分类	`ClassificationSVM`

输出参数

全部折叠

`CompactMdl`-紧凑的机器学习模型
紧凑的回归模型对象|紧凑的分类模型对象

紧凑型机器学习模型，根据输入模型返回为下表中的紧凑型模型对象之一Mdl．

回归模型对象

模型	完整的模型(`Mdl`）	紧凑的模型(`CompactMdl`）
广义加性模型	`RegressionGAM`	`CompactRegressionGAM`
神经网络模型	`RegressionNeuralNetwork`	`CompactRegressionNeuralNetwork`

分类模型对象

模型	完整的模型(`Mdl`）	紧凑的模型(`CompactMdl`）
广义加性模型	`ClassificationGAM`	`CompactClassificationGAM`
朴素贝叶斯模型	`ClassificationNaiveBayes`	`CompactClassificationNaiveBayes`
神经网络模型	`ClassificationNeuralNetwork`	`CompactClassificationNeuralNetwork`
金宝app支持向量机的一类和二值分类	`ClassificationSVM`	`CompactClassificationSVM`