主要内容

CompactRegressionSVM

包裹：classreg.learning.regr

紧凑型支持向量机万博1manbetx回归模型

全部展开页面

描述

CompactRegressionSVM是一种紧凑的支持向量机(S万博1manbetxVM)回归模型。它比完整的、经过训练的支持向量机模型(万博1manbetxRegressionSVM模型)，因为它不存储用于训练模型的数据。

由于精简模型不存储训练数据，因此无法使用它执行某些任务，例如交叉验证。但是，您可以使用紧凑的SVM回归模型，使用新的输入数据预测响应。

建设

compactMdl=紧凑(mdl)返回一个紧凑的SVM回归模型compactMdl从一个完整的，训练有素的SVM回归模型，mdl．有关更多信息，请参见紧凑的．

输入参数

全部展开

完整的、经过训练的SVM回归模型，指定为RegressionSVM返回的模型fitrsvm．

属性

全部展开

对偶问题系数，指定为数值向量。α包含M元素,M是经过训练的SVM回归模型中的支持万博1manbetx向量数。对偶问题为每个支持向量引入两个拉格朗日乘子。价值观α是支持向量的两个估计拉格朗日乘子之间的差异。万博1manbetx有关详细信息，请参见理解支持向量机回归万博1manbetx．

如果指定使用删除重复项RemoveDuplicates，那么，对于支持向量的特定重复观测集，万博1manbetxα包含一个系数对应于整个集合。也就是说,MATLAB®将非零系数指定给重复集合中的一个观测值，并将系数指定为0到集合中所有其他重复的观测值。

数据类型:单|双

原始线性问题系数，存储为长度的数值向量P,在那里P为支持向量机回归模型中预测因子的个数。

中的值β为原优化问题的线性系数。

如果模型是使用核函数而不是“线性”，此属性为空(“[]”）.

这个预测方法计算模型的预测响应值，如下所示：YFIT = (X/S)×Beta + Bias,在那里s内核规模的值是否存储在KernelParameters。规模财产。

数据类型:双

支持向量机回归模型中的偏置项，存储为标量值。

数据类型:双

分类预测指标，指定为一个正整数向量。CategoricalPredictors包含与包含分类预测器的预测器数据列对应的索引值。如果没有任何预测器是绝对的，则此属性为空(［］）.

数据类型:单|双

扩展的预测器名称，存储为字符向量的单元格数组。

如果模型对分类变量使用编码，那么ExpandedPredictorNames包括描述扩展变量的名称。否则,ExpandedPredictorNames与PredictorNames．

数据类型:细胞

内核函数参数，存储为具有以下字段的结构。

领域 描述
函数 内核函数名（字符向量）。
规模 用于划分预测值的数字比例因子。

您可以指定的值KernelParameters。函数和KernelParameters。规模通过使用KernelFunction和KernelScale中的名称-值对参数fitrsvm分别地

数据类型:结构

预测器表示，存储为数值向量。

如果训练数据是标准化的，那么μ是长度的数字向量吗P,在那里P是用于训练模型的预测数。在这种情况下预测方法中心预测矩阵X减去对应的元素μ从每一列。

如果培训数据不标准化，则μ是空的(“[]”）.

数据类型:单|双

预测器名称，存储为字符向量的单元格数组，包含每个预测器的名称，其显示顺序如下：X．PredictorNames长度是否等于列数X．

数据类型:细胞

响应变量名称，存储为字符向量。

数据类型:字符

响应转换函数，指定为“没有”或者函数句柄。ResponseTransform描述软件如何转换原始响应值。

对于MATLAB函数或定义的函数，输入其函数句柄。例如，您可以输入Mdl。ResponseTransform = @函数,在那里函数接受原始响应的数字向量，并返回大小相同的数字向量，其中包含转换后的响应。

数据类型:字符|功能手柄

预测标准偏差，存储为数值向量。

如果训练数据是标准化的，那么σ是长度的数字向量吗P,在那里P是用于训练模型的预测数。在这种情况下预测方法对预测器矩阵进行标度X每一列除以对应的元素σ，在使用μ．

如果培训数据不标准化，则σ是空的(“[]”）.

数据类型:单|双

万博1manbetx支持向量，存储为M——- - - - - -P数值矩阵。M为支持向量的个数(万博1manbetx总和(Mdl.IsS万博1manbetxupportVector))，及P预测器的数量在吗X．

如果指定使用删除重复项RemoveDuplicates，然后对于作为支持向量的给定重复观测集，万博1manbetx万博1manbetxSupportVectors包含一个唯一的支持向量。万博1manbetx

数据类型:单|双

目标函数

丢弃支持向量万博1manbetx 丢弃的支持向量万博1manbetx
incrementalLearner 将支持向量机回归万博1manbetx模型转换为增量学习器
石灰 局部可解释模型不可知解释（LIME）
损失 支持向量机回归模型的回归误差万博1manbetx
部分依赖 计算部分依赖
plotPartialDependence 创建部分依赖图（PDP）和单个条件期望图（ICE）
预测 使用支持向量机回归模型预测响应万博1manbetx
夏普利 沙普利值
更新 更新模型参数以生成代码

复制语义

价值。要了解值类如何影响复制操作，请参见复制对象．

例子

全部崩溃

这个例子展示了如何通过丢弃训练数据和一些与训练过程相关的信息来减少一个完整的、经过训练的支持向量机回归模型的大小。

本例使用UCI机器学习库中的鲍鱼数据。下载数据并使用名称将其保存在当前目录中“abalone.data”．将数据读入桌子．

台= readtable (“abalone.data”,“文件类型”,“文本”,“ReadVariableNames”，假）；rng默认的%为了再现性

样本数据包含4177个观察结果。所有的预测变量都是连续的，除了性，这是一个具有可能值的分类变量“米”（适用于男性），“F”(女性)“我”(婴儿)。他们的目标是预测鲍鱼身上环的数量，从而通过物理测量来确定鲍鱼的年龄。

使用高斯核函数和自动核尺度训练支持向量机回归模型。标准化数据。

mdl=fitrsvm（待定，“Var9”,“KernelFunction”,“高斯”,“KernelScale”,“自动”,“标准化”,真正的)
mdl = RegressionSVM PredictorNames:{1×8细胞}ResponseName:“Var9”CategoricalPredictors: 1 ResponseTransform:‘没有’α:[3635 x1双]偏见:10.8144 KernelParameters: [1 x1 struct]μ:σ[1 x10双]:[1 x10双]NumObservations: 4177 BoxConstraints: x1双[4177]ConvergenceInfo: [1 x1 struct] IsSupportVector:万博1manbetx[4177x1 logical] Solver: 'SMO'属性，方法

紧凑的模型。

compactMdl =紧凑(mdl)
compactMdl=classreg.learning.regr.CompactRegressionSVM预测器名称：{1x8 cell}ResponseName:'Var9'分类预测器：1 ResponseTransform:'none'α：[3635x1 double]偏差：10.8144内核参数：[1x1结构]μ：[1x10双]西格玛：[1x10双]支持向量：[3635x10双]属性、方法万博1manbetx

压缩模型丢弃了训练数据和一些与训练过程相关的信息。

比较完整模型的大小mdl和紧凑模型compactMdl．

vars=谁(“compactMdl”,“mdl”）;(var (1) .bytes一样,var (2) .bytes]
ans=32379375968

压缩后的模型消耗的内存约为完整模型的一半。

参考文献

[1] 纳什，W.J.，T。L卖方，S。R塔尔博特，A。J卡霍恩和W。B福特。”塔斯马尼亚州鲍鱼种群生物学。我黑唇鲍(H红宝石)从北海岸和巴斯海峡群岛。”海洋渔业司，技术报告第48号，1994年。

[2]沃,S。串级相关的扩展和基准:前馈监督人工神经网络的串级相关体系结构和基准的扩展。塔斯马尼亚大学计算机科学系, 1995.

克拉克，D.， Z. Schreter, A. Adams。《Dystal和Backpropagation的定量比较》提交给澳大利亚神经网络会议，1996年。

[4] 利希曼，M。UCI机器学习库[http://archive.ics.uci.edu/ml]。加州欧文:加州大学信息与计算机科学学院。

扩展功能

另见

|||

介绍了R2015b

统计和机器学习工具箱文档

万博1manbetx

掌握机器学习：用MATLAB逐步指导

掌握机器学习：用MATLAB逐步指导

下载电子书