紧凑

减少支持向量机（SVM）分类器万博1manbetx的大小

折叠所有页面

句法

CompactSVMModel =紧凑（SVMModel）

描述

例

CompactSVMModel=紧凑（SVMModel）返回一个紧凑支持向量机（SVM）分类万博1manbetx器（CompactSVMModel），训练有素的SVM分类的紧凑型SVMModel。CompactSVMModel是CompactClassificationSVM目的。

CompactSVMModel不包含的训练数据，而SVMModel包含在训练数据的X和ÿ属性。因此，虽然可以使用预测类标签CompactSVMModel，你不能执行任务，如紧凑型SVM分类交叉验证。

例子

全部收缩

开立真实脚本

通过移除训练数据减少一个完整的SVM分类的大小。全SVM分类（即，ClassificationSVM分类）持有的训练数据。为了提高效率，使用更小的分类。

加载电离层数据集。

加载电离层

训练SVM分类器。标准化的预测数据，并指定类的顺序。

SVMModel = fitcsvm（X，Y，“标准化”，真正，...“类名”{'B'，'G'}）
SVMModel = ClassificationSVM ResponseName： 'Y' CategoricalPredictors：[]类名：{ 'B' 的 'g'} ScoreTransform： '无' NumObservations：351阿尔法：[90x1双]偏压：-0.1342 KernelParameters：[1x1的结构]穆：[1x34]双西格玛：[1x34双] BoxConstraints：[351x1双] ConvergenceInfo：[1x1的结构] IsSupportVector：[351x1逻辑]求解： 万博1manbetx'SMO' 的属性，方法

SVMModel是ClassificationSVM分类。

降低SVM分类的大小。

CompactSVMModel =紧凑（SVMModel）
CompactSVMModel = classreg.learning.classif.CompactClassificationSVM ResponseName： 'Y' CategoricalPredictors：[]类名：{ 'B' 的 'g'} ScoreTransform： '无' 阿尔法：[90x1双]偏压：-0.1342 KernelParameters：[1x1的结构]穆：[1x34双]西格玛：[1x34双] SupportVectors：[9万博1manbetx0x34双] SupportVectorLabels：[90x1双]的属性，方法

CompactSVMModel是CompactClassificationSVM分类。

显示存储器的每个分类器使用的量。

谁是（'SVMModel'，'CompactSVMModel'）
名称大小字节类属性CompactSVMModel的1x1 30890 classreg.learning.classif.CompactClassificationSVM SVMModel的1x1 140980 ClassificationSVM

完整的SVM分类（SVMModel）比紧凑SVM分类大四倍以上（CompactSVMModel）。

为了有效地标注新的观测，可以去除SVMModel从MATLAB®工作区，再通CompactSVMModel而新的预测值预测。

为了进一步降低您的紧凑SVM分类的大小，使用discard万博1manbetxSupportVectors函数来丢弃支持向量。万博1manbetx

输入参数

全部收缩

全面，训练有素的SVM分类，指定为ClassificationSVM模型的培训fitcsvm。

也可以看看

|||

介绍了在R2014a

统计和机器学习工具箱文档
万博1manbetx
掌握机器学习：有步骤，分步指南与MATLAB

掌握机器学习：有步骤，分步指南与MATLAB

下载电子书