创建一个线性SVM模型，通过丢弃支持向量和其他相关参数来提高内存效率。万博1manbetx

加载电离层数据集。

负载电离层

使用整个数据集训练一个线性支持向量机模型。

MdlSV=fitcsvm（X，Y）

MdlSV=ClassificationSVM ResponseName:'Y'分类预测值：[]类名：{'b''g'}ScoreTransform:'none'numobervations:351 Alpha:[103x1 double]偏差：-3.8827内核参数：[1x1结构]框约束：[351x1 double]收敛信息：[1x1结构]IsupportVector:[351x1逻辑]解算器：“SMO”属性、方法万博1manbetx

在中显示支持向量的数量万博1manbetxMdlSV．

numSV =大小(MdlSV.Sup万博1manbetxportVectors, 1)

numSV=103

在中显示预测器变量的数量X．

p=尺寸（X，2）

p=34

默认情况下，fitcsvm训练线性支持向量机模型进行两类学习。软件列出阿尔法在显示。该模型包括103个支持向量和34个预测因子。万博1manbetx如果丢弃支持向量，得到的模型会消耗更少万博1manbetx的内存。

丢弃支持向量和其他相关参万博1manbetx数。

Mdl=丢弃支持向量（Md万博1manbetxlSV）

Mdl=ClassificationSVM ResponseName:'Y'分类预测值：[]类名：{b''g'}ScoreTransform:'none'NumObservations:351 Beta:[34x1 double]偏差：-3.8827内核参数：[1x1结构]框约束：[351x1 double]收敛信息：[1x1结构]IsupportVector:[351x1逻辑]解算器：'SMO'属性，方法万博1manbetx

显示的系数Mdl．

Mdl.Alpha

ans=[]

在中显示支持向量万博1manbetxMdl．

支持向量万博1manbetx

ans=[]

中显示支持向量类标签万博1manbetxMdl．

Mdl。万博1manbetxSupportVectorLabels

ans=[]

软件列出贝塔在显示而不是阿尔法．这个阿尔法,万博1manbetx支持向量,万博1manbetxSupportVectorLabels属性是空的。

比较模型的大小。

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

ans=20.5503

Mdl大约比它小20%MdlSV．

去除MdlSV从工作区。

清晰的MdlSV

通过丢弃存储的支持向量和其他相关估计来压缩SVM模型。使用压缩模型预测一行训练数据的标签。万博1manbetx

加载电离层数据集。

负载电离层rng (1);%的再现性

使用默认选项训练支持向量机模型。

MdlSV = fitcsvm (X, Y);

MdlSV是一个ClassificationSVM包含其属性的非空值的模型阿尔法,万博1manbetx支持向量,万博1manbetxSupportVectorLabels属性。

通过丢弃训练数据、支持向量和相关估计来减小SVM模型的大小。万博1manbetx

CMdlSV=紧凑型（MdlSV）；%丢弃训练数据CMdl=丢弃支持向量（CM万博1manbetxdlSV）；%丢弃支持向量万博1manbetx

CMdl是一个CompactClassificationSVM模型

比较支持向量机模型的大小MdlSV和CMdl．

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

ans = 96.8174

压缩模型CMdl消耗的内存比完整模型少得多。

使用下面的方法预测训练数据的随机行的标签CMdl．这个预测函数接受压缩的SVM模型，并且，对于线性SVM模型，不需要阿尔法,万博1manbetx支持向量,万博1manbetxSupportVectorLabels属性来预测新观测的标签。

idx=随机样本（大小（X，1），1）

idx=147

predictedLabel=Predicted（CMdl，X（idx，：））

预测标签=1 x1单元阵列{'b'}

trueLabel = Y (idx)

trueLabel=1 x1单元阵列{'b'}