当你训练一个ECOC模型与线性SVM二进制学习者,fitcecoc清空了α,万博1manbetxSupportVectorLabels,万博1manbetxSupportVectors二进制学习者默认的属性。你可以选择而不是保留支持向量和相关值,然后从模型后丢弃。万博1manbetx

加载费雪的虹膜数据集。

负载fisheririsrng (1);%的再现性

火车ECOC模型使用整个数据集。指定适当保留支持向量通过SVM模板。万博1manbetx

t = templateSVM (“Save万博1manbetxSupportVectors”,真正的);MdlSV = fitcecoc(量、种类、“学习者”t);

MdlSV是一个培训ClassificationECOC模型与线性SVM二进制学习者。默认情况下,fitcecoc实现了一个one-versus-one编码设计,这就需要三个二进制三级学习的学习者。

访问估计 $$\alpha$$使用点符号(α)值。

α=细胞(3,1);α{1}= MdlSV.BinaryLearners {1} .Alpha;α{2}= MdlSV.BinaryLearners {2} .Alpha;α{3}= MdlSV.BinaryLearners {3} .Alpha;α

α=3×1单元阵列{3 x1双}{3 x1双}{23 x1双}

α是一个3×1单元阵列存储的估计价值 $$\alpha$$。

丢弃的支持向量从ECOC万博1manbetx模型和相关的值。

Mdl = discard万博1manbetxSupportVectors (MdlSV);

Mdl类似于MdlSV,除了α,万博1manbetxSupportVectorLabels,万博1manbetxSupportVectors属性的所有线性SVM二进制学习者是空的([])。

areAllEmpty = @ isempty ([x (x)。αx。万博1manbetxSupportVectors x.SupportVectorLabels]);cellfun (areAllEmpty Mdl.BinaryLearners)

ans =3 x1逻辑阵列1 1 1

比较两个ECOC模型的大小。

var =谁(“Mdl”,“MdlSV”);100 * (1 - var (1) .bytes / var (2) .bytes)

ans = 4.7075

Mdl小于5%MdlSV。

减少内存使用压实Mdl然后清理Mdl和MdlSV从工作空间。

CompactMdl =紧凑(Mdl);清晰的MdlMdlSV;

预测的随机的标签行训练数据使用更有效的支持向量机模型。

idx = randsample(大小(量,1),1)

idx = 63

predictedLabel =预测(CompactMdl量(idx,:))

predictedLabel =1 x1单元阵列{“癣”}

trueLabel =物种(idx)

trueLabel =1 x1单元阵列{“癣”}