丢弃支持向量金宝app
mdlout = discard金宝appsupportVectors(MDL)
返回训练,线性支持向量机(SVM)回归模型金宝appmdlout.
= Discard金宝appSupportVectors(MDL.
)mdlout.
,它类似于训练,线性SVM回归模型MDL.
, 除了:
这Α
和金宝app支持监视器
属性是空的([]
)。
如果你展示mdlout.
,软件列出了bet
财产而不是Α
财产。
对于训练,线性SVM回归模型,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.是预测变量的数量。如果任何预测器都是分类的,那么P.包括考虑所有分类预测器级别所需的虚拟变量的数量。这Α
属性是矢量NSV.元素。
这金宝app支持监视器
和Α
对于包含许多观察或示例的复杂数据集,属性很大。然而bet
属性是矢量P.元素,可能相当较小。您可以使用训练的SVM回归模型来预测响应值,即使您丢弃支持向量,因为金宝app预测
和重新预订
方法使用bet
计算预测的响应。
如果训练有素的线性SVM回归模型有许多支持向量,使用金宝app丢弃普罗斯韦普金宝app罗斯韦
要减少培训的线性SVM回归模型消耗的磁盘空间量。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)
。
在哪里:
β是β值,存储为mdl.beta.
。
β0.是偏置值,存储为mdl.bias.
。
X
是培训数据。
S.
是内核比例值,存储为mdl.kernelparameters.scale.
。
通过这种方式,软件可以使用该值mdl.beta.
即使在丢弃支持向量之后也要预测。金宝app