减少机器学习模型的规模
返回一个紧凑模型(CompactMdl
=紧凑(Mdl
)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。
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
.
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
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
.
Mdl
- - - - - -机器学习模型机器学习模型,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 |
CompactMdl
-紧凑的机器学习模型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 |
你点击一个链接对应于这个MATLAB命令:
通过在MATLAB命令窗口中输入命令来运行命令。Web浏览器不支持MATLAB命令。金宝app
你也可以从以下列表中选择一个网站:
选择中国网站(中文或英文)以获得最佳网站性能。其他MathWorks国家站点没有针对您所在位置的访问进行优化。