丢弃线性支持向量金宝app机(SVM)分类器的支持向量
返回训练,线性支持向量机(SVM)模型金宝appMDL.
= Discard金宝appSupportVectors(mdlsv.
)MDL.
。两个都MDL.
和训练有素的线性SVM模型mdlsv.
是相同类型的对象。也就是说,它们都是分类VM.
物体或者CompactClassificationsVM.
对象。然而,MDL.
和mdlsv.
以下方式不同:
这Α
那金宝app支持监视器
, 和金宝appSupportVectorLabels.
属性是空的([]
) 在MDL.
。
如果你展示MDL.
,软件列出了bet
财产而不是Α
。
对于训练有素的线性SVM模型,金宝app支持监视器
属性是ANNSV.-经过-P.矩阵。NSV.是支持向量的数量(在大多数训练样本金宝app大小)和P.是预测器的数量,或功能。这Α
和金宝appSupportVectorLabels.
属性是载体NSV.元素。对于包含许多观察或示例的复杂数据集,这些属性可以很大。这bet
属性是矢量P.元素。
如果训练有素的SVM型号有许多支持向量,请使用金宝app丢弃普罗斯韦普金宝app罗斯韦
减少培训的线性SVM模型消耗的空间量。您可以通过输入显示支持向量矩阵的大小金宝app大小(mdlsv.su金宝apppportvectors)
。
预测
和重新预订
估计SVM分数F(X),并随后使用标记和估计后验概率
β是mdl.beta.
和B.是mdl.bias.
, 那就是bet
和偏见
属性MDL.
, 分别。有关更多详细信息,请参阅金宝app支持向量机器进行二进制分类。