本例使用了来自UCI机器学习库的鲍鱼数据。下载数据并将其保存在当前目录中“abalone.data”．将数据读入表格．

台= readtable (“abalone.data”，“文件类型”，“文本”，“ReadVariableNames”、假);rng默认的%的再现性

样本数据包含4177个观察结果。所有的预测变量都是连续的，除了性，这是一个具有可能值的分类变量“米”(男性)“F”(女性)“我”(婴儿)。他们的目标是预测鲍鱼身上环的数量，从而通过物理测量来确定鲍鱼的年龄。

使用高斯核函数和自动核尺度训练支持向量机回归模型。标准化数据。

mdl = fitrsvm(资源描述,“Var9”，“KernelFunction”，“高斯”，“KernelScale”，“汽车”，“标准化”,真正的)

mdl = RegressionSVM PredictorNames:{1×8细胞}ResponseName:“Var9”CategoricalPredictors: 1 ResponseTransform:‘没有’α:[3635 x1双]偏见:10.8144 KernelParameters: [1 x1 struct]μ:σ[1 x10双]:[1 x10双]NumObservations: 4177 BoxConstraints: x1双[4177]ConvergenceInfo: [1 x1 struct] IsSupportVector:金宝app[4177x1 logical] Solver: 'SMO'属性，方法

紧凑的模型。

compactMdl =紧凑(mdl)

compactMdl = classreg.learning.regr.CompactRegressionSVM PredictorNames: {1x8 cell} ResponseName: 'Var9' CategoricalPredictors: 1 ResponseTransform: 'none' Alpha: [3635x1 double] Bias: 10.8144 KernelParameters: [1x1 struct] Mu: [1x10 double] Sigma: [1x10 double] 金宝appSupportVectors: [3635x10 double]属性，方法

压缩模型丢弃了训练数据和一些与训练过程相关的信息。

比较完整模型的大小mdl紧凑型模型compactMdl．

var =谁(“compactMdl”，“mdl”）;(var (1) .bytes一样,var (2) .bytes]

Ans = 323793 775968

压缩后的模型消耗的内存约为完整模型的一半。

加载carsmall示例数据。

负载carsmallrng默认的%的再现性

训练一个线性支持向量机回归模型使用重量为预测变量和英里/加仑作为响应变量。标准化数据。

mdl = fitrsvm(重量,英里/加仑,“标准化”,真正的);

请注意,英里/加仑包含几个南值。在训练模型时，fitrsvm将删除包含南来自预测器和响应数据的值。因此，经过训练的模型只使用了样本数据中包含的100个观测数据中的94个。

压缩回归模型，丢弃训练数据和一些与训练过程相关的信息。

compactMdl =紧凑(mdl);

compactMdl是一个CompactRegressionSVM具有相同参数、支持向量和相关估计的模型金宝appmdl，但不再存储训练数据。

丢弃压缩模型的支持向量和金宝app相关估计。

mdlOut = discard金宝appSupportVectors (compactMdl);

mdlOut是一个CompactRegressionSVM具有相同参数的mdl和compactMdl，但不再存储支持向量和相关估计。金宝app

比较三种支持向量机回归模型的大小，compactMdl，mdl,mdlOut．

var =谁(“compactMdl”，“mdl”，“mdlOut”）;(var (1) .bytes一样,var (2) .bytes, var (3) .bytes]

Ans = 3601 13727 2305

压实模型compactMdl消耗3601字节内存，而完整模型mdl消耗13727字节内存。该模型mdlOut，它也丢弃支持向量，消耗2305字节的内存。金宝app