主要内容

袖珍的

班级：回归vm

紧凑的支持向量机金宝app回归模型

在页面中扩展全部

句法

compactmdl = compact（mdl）

描述

compactmdl= compact（MDL）返回紧凑的支持向量机（SVM）回归模金宝app型，compactmdl，这是完整的，训练有素的SVM回归模型的紧凑版本MDL。

compactmdl不包含培训数据，而MDL包含培训数据中的属性mdl.x和mdl.y。

输入参数

展开全部

全面训练的SVM回归模型，指定为回归vm返回的模型FITRSVM。

输出参数

展开全部

紧凑型SVM回归模型，返回CompacTregressionsVM模型。

使用compactmdl正好像您使用的那样MDL。但是，自从compactmdl不包含培训数据，您无法执行某些任务，例如交叉验证。

例子

展开全部

此示例显示了如何通过丢弃培训数据和与培训过程有关的一些信息来减少完整的，训练有素的SVM回归模型的大小。

此示例使用来自UCI机器学习存储库中的鲍鱼数据。下载数据并将其保存在您的当前目录中的名称'babalone.data'。将数据读为桌子。

tbl =可读取（'babalone.data'，，，，'文件类型'，，，，'文本'，，，，“ ReadVariablenames”，错误的）;RNG默认％可再现性

样本数据包含4177个观察结果。除了性别，这是一个具有可能值的分类变量'M'（对于男性），'F'（对于女性）和'我'（对于婴儿）。目的是预测鲍鱼上的环数，从而使用物理测量结果确定其年龄。

使用高斯内核函数和自动内核量表训练SVM回归模型。标准化数据。

mdl = fitrsvm（tbl，'var9'，，，，'kernelfunction'，，，，“高斯”，，，，“内核”，，，，'汽车'，，，，“标准化”，真的）
mdl = recressionsvm预测量：{1x8 cell}响应eNAME：'var9'分类predictors：1响应式eTransform：'none''alpha：[3635x1 double] bias：10.8144 kerneLeLparameters：[1x1 struct] mu：[1x10 double] sigma：[1x10 double] sigma：[1x10 doubly] nomob noob nomob noob noob sigma noob noob noob noob noob noob noob noob noob noob noob noob]：4177 boxconstraints：[4177x1 double]收敛：[1x1 struct] issupportVector：[41金宝app77x1逻辑]求解器：'smo'属性，方法，方法，方法

紧凑模型。

compactmdl = compact（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]支持金宝app向量：[3635x10 double]属性，方法

压实模型会放弃培训数据和一些与培训过程有关的信息。

比较完整型号的大小MDL和紧凑的模型compactmdl。

vars = whos（“ compactmdl'，，，，'MDL'）；[vars（1）.bytes，vars（2）.bytes]
ANS = 323793 775968

压实的模型消耗了整个模型的记忆的一半。

此示例显示了如何通过压实模型并丢弃支持向量来减少全面训练的SVM回归模型的内存消耗。金宝app

加载汽车舞样本数据。

加载汽车舞RNG默认％可再现性

使用线性SVM回归模型训练重量作为预测变量和MPG作为响应变量。标准化数据。

mdl = fitrsvm（重量，mpg，“标准化”，真的）;

注意MPG包含几个南值。训练模型时，FITRSVM将删除包含的行南来自预测变量和响应数据的值。结果，训练有素的模型仅使用样本数据中包含的100个总观测值中的94个。

压缩回归模型，以丢弃培训数据以及与培训过程有关的一些信息。

compactmdl = compact（mdl）;

compactmdl是一个CompacTregressionsVM具有相同参数，支持向量和相关估计的模型与金宝appMDL，但不再存储培训数据。

丢弃压实模型的支持向量和金宝app相关估计。

mdlout = dostupp金宝apportvortvectors（compactmdl）;

mdlout是一个CompacTregressionsVM具有与MDL和compactmdl，但不再存储支持向量和相关估计。金宝app

比较三个SVM回归模型的大小，compactmdl，，，，MDL， 和mdlout。

vars = whos（“ compactmdl'，，，，'MDL'，，，，'mdlout'）；[vars（1）.bytes，vars（2）.bytes，vars（3）.bytes]
ANS = 3601 13727 2305

压实模型compactmdl消耗3601字节的内存，而完整模型MDL消耗13727字节的内存。该模型mdlout，这也丢弃了支持向量，消耗了2305个字节的内存。金宝app

参考

[1] Nash，W.J.，T。L. Sellers，S。R。Talbot，A。J。Cawthorn和W. B. Ford。“鲍鱼的种群生物学（哈利奥蒂斯物种）在塔斯马尼亚州。I.黑皮鲍鱼（H.鲁布拉）来自北部海岸和低音海峡岛。

[2] Waugh，S。“扩展和基准测试级联相关：扩展到级联相关架构的扩展以及馈送前进监督的人工神经网络的基准测试。”塔斯马尼亚大学计算机科学论文论文，1995。

[3] Clark，D.，Z。Schreter，A。Adams。“顿构和反向传播的定量比较。”1996年提交给澳大利亚神经网络会议。

[4] Lichman，M。UCI机器学习存储库，[http://archive.ics.uci.edu/ml]。加利福尼亚州欧文：加利福尼亚大学，信息与计算机科学学院。

版本历史记录

在R2015B中引入

也可以看看

||