通过丢弃支持向量和其他相关参数，创建线性SVM模型，该模型更加内存。金宝app

加载电离层数据集。

加载电离层

使用整个数据集列车线性SVM模型。

mdlsv = fitcsvm（x，y）

mdlsv = classificationsvm contractename：'y'pationoricalpricictors：[] classnames：{'b'g'} scoreTransform：'none'numobservations：351 alpha：[103x1 double]偏置：-3.8827内核参数：[1x1 struct] boxconstraints：[351x1DOUBLE] CONFORGENGEINFO：[1x1 struct] iss金宝appupportVector：[351x1逻辑]求解器：'smo'属性，方法

显示支持向量的数量金宝appmdlsv.。

numsv = size（mdlsv.金宝appsupportvectors，1）

numsv = 103.

显示预测器变量的数量X。

p =尺寸（x，2）

P = 34.

默认，fitcsvm.为两类学习训练线性SVM模型。软件列表Α在显示屏中。该模型包括103个支持向量和34个预测器。金宝app如果您丢弃支持向量，所产生的模型会消耗金宝app更少的内存。

丢弃支持向量和其他相关参金宝app数。

MDL = Discard金宝appSupportVectors（MDLSV）

mdl = classificationsvm chractoryName：'y'pationoricalpricictors：[] classnames：{'b'g'} scoreTransform：'none'numobservations：351 beta：[34x1 double]偏置：-3.8827内核参数：[1x1 struct] boxconstraints：[351x1DOUBLE] CONFORGENGEINFO：[1x1 struct] iss金宝appupportVector：[351x1逻辑]求解器：'smo'属性，方法

显示系数MDL.。

mdl.alpha.

ans = []

显示支持向量金宝appMDL.。

mdl.金宝appsupportVectors.

ans = []

显示支持向量类标签金宝appMDL.。

mdl.金宝appsupportVectorLabels.

ans = []

软件列表bet在显示器而不是Α。这Α那金宝app支持监视器， 和金宝appSupportVectorLabels.属性是空的。

比较模型的大小。

vars = whos（'mdlsv'那'mdl'）;100 *（1  -  vars（1）.bytes / vars（2）.bytes）

ANS = 20.5503.

MDL.比左右约20％mdlsv.。

去掉mdlsv.从工作区。

清除mdlsv.

通过丢弃存储的支持向量和其他相关估计来压缩SVM模型。金宝app通过使用压缩模型预测培训数据行的标签。

加载电离层数据集。

加载电离层RNG（1）;重复性的％

使用默认选项列车SVM模型。

mdlsv = fitcsvm（x，y）;

mdlsv.是A.分类VM.包含非空值的模型Α那金宝app支持监视器， 和金宝appSupportVectorLabels.特性。

通过丢弃培训数据，支持向量和相关估计来减少SVM模型的大小。金宝app

cmdlsv = compact（mdlsv）;％丢弃培训数据cmdl = discard金宝appsupportvectors（cmdlsv）;％丢弃支持向量金宝app

CMDL.是A.CompactClassificationsVM.模型。

比较SVM模型的大小mdlsv.和CMDL.。

vars = whos（'mdlsv'那'cmdl'）;100 *（1  -  vars（1）.bytes / vars（2）.bytes）

ans = 96.8174.

压实的模型CMDL.消耗比完整模型要少得多。

通过使用预测随机行的随机行的标签CMDL.。这预测功能接受压缩的SVM型号，并且对于线性SVM型号，不需要Α那金宝app支持监视器， 和金宝appSupportVectorLabels.属性预测新观察标签。

idx = randsample（size（x，1），1）

Idx = 147.

predigedlabel = predict（cmdl，x（idx，:)）

predightlabel =1x1细胞阵列{'B'}

truilabel = y（idx）

truilabel =1x1细胞阵列{'B'}