紧凑的
减小机器学习模型的尺寸
描述
返回一个紧凑的模型(CompactMdl
=紧凑(Mdl
)CompactMdl
),是经过训练的机器学习模型的精简版本Mdl
.
CompactMdl
不包含培训数据,而Mdl
控件中包含训练数据X
而且Y
属性。因此,尽管您可以使用CompactMdl
,您就不能使用紧凑模型执行交叉验证等任务。
例子
简化朴素贝叶斯分类器的尺寸
通过删除训练数据来减小全朴素贝叶斯分类器的大小。全朴素贝叶斯分类器保存训练数据。您可以使用一个紧凑的朴素贝叶斯分类器来提高内存效率。
加载电离层
数据集。去掉前两个稳定性预测因子。
负载电离层X = X(:,3:结束);
使用预测器训练朴素贝叶斯分类器X
和类标签Y
.推荐的做法是指定类名。fitcnb
假设每个预测因子都是条件正态分布的。
Mdl = fitcnb(X,Y,“类名”, {“b”,‘g’})
Mdl = ClassificationNaiveBayes ResponseName: 'Y' CategoricalPredictors: [] ClassNames: {'b' 'g'} ScoreTransform: 'none' NumObservations: 351 DistributionNames: {1x32 cell} DistributionParameters: {2x32 cell}属性,方法
Mdl
是经过训练的ClassificationNaiveBayes
分类器。
减小朴素贝叶斯分类器的大小。
紧凑的(Mdl)
CMdl = CompactClassificationNaiveBayes ResponseName: 'Y' CategoricalPredictors: [] ClassNames: {'b' 'g'} ScoreTransform: 'none' DistributionNames: {1x32 cell} DistributionParameters: {2x32 cell}属性,方法
CMdl
是经过训练的CompactClassificationNaiveBayes
分类器。
显示每个分类器使用的内存数量。
谁(“Mdl”,“CMdl”)
名称大小字节类属性CMdl 1x1 15060 classreg.learning.classif.CompactClassificationNaiveBayes Mdl 1x1 111190 ClassificationNaiveBayes
全朴素贝叶斯分类器(Mdl
)比紧凑朴素贝叶斯分类器(CMdl
).
为了有效地标记新的观察结果,您可以删除Mdl
从MATLAB®工作区,然后通过CMdl
和新的预测值预测
.
减少SVM分类器的大小
通过删除训练数据来减小全支持向量机(SVM)分类器的金宝app大小。完整的支持向量机分类器(即ClassificationSVM
分类器)保存训练数据。为了提高效率,请使用更小的分类器。
加载电离层
数据集。
负载电离层
训练SVM分类器。标准化预测器数据并指定类的顺序。
SVMModel = fitcsvm(X,Y,“标准化”,真的,...“类名”, {“b”,‘g’})
SVMModel = ClassificationSVM ResponseName: 'Y' CategoricalPredictors: [] ClassNames: {'b' 'g'} ScoreTransform: 'none' NumObservations: 351 Alpha: [90x1 double] Bias: -0.1343 KernelParameters: [1x1 struct] Mu:[0.8917 0 0.6413 0.0444 0.6011 0.1159 0.5501…] Sigma:[0.3112 0 0.4977 0.4414 0.5199 0.4608 0.4927…][351x1 double] ConvergenceInfo: [1x1 struct] IsSupportVector: [35金宝app1x1 logical] Solver: 'SMO'属性,方法
SVMModel
是一个ClassificationSVM
分类器。
减少SVM分类器的大小。
CompactSVMModel = compact(vmmodel)
CompactSVMModel = CompactClassificationSVM ResponseName: 'Y' CategoricalPredictors: [] ClassNames: {'b' 'g'} ScoreTransform: 'none' Alpha: [90x1 double] Bias: -0.1343 KernelParameters: [1x1 struct] Mu:[0.8917 0 0.6413 0.0444 0.6011 0.1159 0.5501…] Sigma:[0.3112 0 0.4977 0.4414 0.5199 0.4608 0.4927…]su金宝apppportvector: [90x34 double] SupportVectorLabels: [90x1 double]属性,方法
CompactSVMModel
是一个CompactClassificationSVM
分类器。
显示每个分类器使用的内存数量。
谁(“SVMModel”,“CompactSVMModel”)
名称大小字节类属性CompactSVMModel 1x1 31058 classreg.learning.classif.CompactClassificationSVM SVMModel 1x1 141148 ClassificationSVM
完整的SVM分类器(SVMModel
)比紧凑的支持向量机分类器(CompactSVMModel
).
为了有效地标记新的观察结果,您可以删除SVMModel
从MATLAB®工作区,然后通过CompactSVMModel
和新的预测值预测
.
要进一步减小紧凑的SVM分类器的大小,请使用discard金宝appSupportVectors
函数丢弃支持向量。金宝app
简化广义加性模型的尺寸
通过删除训练数据来减小用于回归的全广义相加模型(GAM)的大小。完整的模型保存训练数据。您可以使用一个紧凑的模型来提高内存效率。
加载carbig
数据集。
负载carbig
指定加速度
,位移
,马力
,重量
作为预测变量(X
),英里/加仑
作为响应变量(Y
).
X =[加速度,位移,马力,重量];Y = mpg;
训练一个GAM使用X
而且Y
.
Mdl = fitrgam(X,Y)
Mdl = RegressionGAM ResponseName: 'Y' CategoricalPredictors: [] ResponseTransform: 'none'拦截:26.9442 IsStandardDeviationFit: 0 NumObservations: 398属性,方法
Mdl
是一个RegressionGAM
模型对象。
减小模型的大小。
紧凑的(Mdl)
CMdl = CompactRegressionGAM ResponseName: 'Y' CategoricalPredictors: [] ResponseTransform: 'none'拦截:26.9442 IsStandardDeviationFit: 0属性,方法
CMdl
是一个CompactRegressionGAM
模型对象。
显示每个回归模型使用的内存量。
谁(“Mdl”,“CMdl”)
名称大小字节类属性CMdl 1x1 578163 classreg.learning.regr.CompactRegressionGAM Mdl 1x1 611957 RegressionGAM
完整的模型(Mdl
)比紧凑型(CMdl
).
为了有效地预测新观察结果的响应,您可以删除Mdl
从MATLAB®工作区,然后通过CMdl
和新的预测值预测
.
输入参数
Mdl
- - - - - -机器学习模型
完整回归模型对象|完整分类模型对象
机器学习模型,指定为完全回归或分类模型对象,如下表所示的支持模型。金宝app
回归模型对象
模型 | 全回归模型对象 |
---|---|
高斯过程回归(GPR)模型 | RegressionGP |
广义相加模型(GAM) | RegressionGAM |
神经网络模型 | RegressionNeuralNetwork |
分类模型对象
模型 | 全分类模型对象 |
---|---|
广义加性模型 | ClassificationGAM |
朴素贝叶斯模型 | ClassificationNaiveBayes |
神经网络模型 | ClassificationNeuralNetwork |
金宝app单类和二元分类的支持向量机 | ClassificationSVM |
输出参数
CompactMdl
-紧凑的机器学习模型
紧凑回归模型对象|紧凑分类模型对象
紧凑型机器学习模型,作为下表中的紧凑型模型对象之一返回,具体取决于输入模型Mdl
.
回归模型对象
模型 | 完整模型(Mdl ) |
紧凑型(CompactMdl ) |
---|---|---|
高斯过程回归(GPR)模型 | RegressionGP |
CompactRegressionGP |
广义加性模型 | RegressionGAM |
CompactRegressionGAM |
神经网络模型 | RegressionNeuralNetwork |
CompactRegressionNeuralNetwork |
分类模型对象
模型 | 完整模型(Mdl ) |
紧凑型(CompactMdl ) |
---|---|---|
广义加性模型 | ClassificationGAM |
CompactClassificationGAM |
朴素贝叶斯模型 | ClassificationNaiveBayes |
CompactClassificationNaiveBayes |
神经网络模型 | ClassificationNeuralNetwork |
CompactClassificationNeuralNetwork |
金宝app单类和二元分类的支持向量机 | ClassificationSVM |
CompactClassificationSVM |
扩展功能
GPU数组
通过使用并行计算工具箱™在图形处理单元(GPU)上运行来加速代码。
版本历史
在R2014a中介绍
MATLAB命令
你点击了一个对应于这个MATLAB命令的链接:
在MATLAB命令窗口中输入命令来运行该命令。Web浏览器不支持MATLAB命令。金宝app
您也可以从以下列表中选择网站:
如何获得最佳的网站性能
选择中国网站(中文或英文)以获得最佳的网站表现。其他MathWorks国家网站没有针对从您的位置访问进行优化。