主要内容

紧凑的

减小机器学习模型的尺寸

折叠所有页面

    语法

    CompactMdl = compact(Mdl)

    描述

    例子

    CompactMdl=紧凑(Mdl）返回一个紧凑模型(CompactMdl)，即经过训练的机器学习模型的精简版Mdl．

    CompactMdl不包含训练数据，而Mdl在其中包含训练数据X而且Y属性。因此，虽然您可以预测类标签使用CompactMdl，您不能执行与紧凑模型交叉验证等任务。

    例子

    全部折叠

    打开实时脚本

    通过移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。您可以使用紧凑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:end);

    使用预测器训练朴素贝叶斯分类器X和类别标签Y．推荐的做法是指定类名。fitcnb假设每个预测因子都是有条件的正态分布。

    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是受过训练的ClassificationNaiveBayes分类器。

    减小朴素贝叶斯分类器的大小。

    CMdl =紧凑(Mdl)
    CMdl = CompactClassificationNaiveBayes ResponseName: 'Y' CategoricalPredictors: [] ClassNames: {'b' 'g'} ScoreTransform: 'none' DistributionNames: {1x32 cell} DistributionParameters: {2x32 cell}属性，方法

    CMdl是受过训练的CompactClassificationNaiveBayes分类器。

    显示每个分类器使用的内存量。

    谁(“Mdl”，“CMdl”）
    名称大小字节类属性CMdl 1x1 15060 classreg.learning.classif.CompactClassificationNaiveBayes Mdl 1x1 111190 ClassificationNaiveBayes

    完整朴素贝叶斯分类器(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，然后传递CMdl和新的预测值预测．

    打开实时脚本

    通过删除训练数据来减少全支持向量机(SVM)分类器的万博1manbetx大小。完整的SVM分类器(即，ClassificationSVM分类器)保存训练数据。为了提高效率，可以使用较小的分类器。

    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…]西格玛:[0.3112 0 0.4977 0.4414 0.5199 0.4608 0.4927…] BoxConstraints: [351x1 double] ConvergenceInfo: [1x1 struct] Is万博1manbetxSupportVector: [351x1 logical]求解器:“SMO”属性，方法

    SVMModel是一个ClassificationSVM分类器。

    减小SVM分类器的大小。

    CompactSVMModel = compact(vmmodel)
    CompactSVMModel = CompactClassificationSVM ResponseName: 'Y' CategoricalPredictors: [] ClassNames: {'b' 'g'} ScoreTransform: 'none' Alpha: [90x1 double]偏差:-0.1343 KernelParameters: [1x1 struct] Mu:[0.8917 0 0.6413 0.0444 0.6011 0.1159 0.5501…]西格玛:[0.3112 0 0.4977 0.4414 0.5199 0.4608 0.4927…] 万博1manbetxSupportVectors: [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量。

    谁(“SVMModel”，“CompactSVMModel”）
    名称大小字节分类属性CompactSVMModel 1x1 31058 classreg.learning.classif.CompactClassificationSVM vmmodel 1x1 141148 ClassificationSVM

    完整的SVM分类器(SVMModel)比紧凑的SVM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，然后传递CompactSVMModel和新的预测值预测．

    为了进一步减小紧凑SVM分类器的大小，可以使用discard万博1manbetxSupportVectors函数丢弃支持向量。万博1manbetx

    打开实时脚本

    通过移除训练数据，减少用于回归的完整广义可加性模型(GAM)的大小。完整的模型保存训练数据。您可以使用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，排水量，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。

    CMdl =紧凑(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

    完整模型(Mdl)的尺寸比紧凑的型号(CMdl）.

    为了有效地预测新观测结果的响应，可以删除Mdl从MATLAB®工作区，然后传递CMdl和新的预测值预测．

    输入参数

    全部折叠

    机器学习模型，指定为完整的回归或分类模型对象，如下表所示的支持模型。万博1manbetx

    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
    广义加法模型(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
    万博1manbetx支持向量机用于一类和二元分类 ClassificationSVM

    输出参数

    全部折叠

    紧凑的机器学习模型，返回为下表中的紧凑模型对象之一，具体取决于输入模型Mdl．

    回归模型对象

    模型 完整模型(Mdl） 小型模型(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） 小型模型(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
    万博1manbetx支持向量机用于一类和二元分类 ClassificationSVM CompactClassificationSVM

    版本历史

    在R2014a中引入