GPU 配列データであてはめられた線形回帰モデルのプロパティを収集します。

carsmallデータセットを読み込みます。車両の 3 つのパフォーマンス メトリクスを格納する数値行列としてXを作成します。ガロンあたりの走行マイル数を格納する数値ベクトルとしてYを作成します。

loadcarsmallX = [Weight,Horsepower,Acceleration]; Y = MPG;

予測子Xおよび応答YをgpuArray(Parallel Computing Toolbox)オブジェクトに変換します。

X = gpuArray(X); Y = gpuArray(Y);

fitlmを使用して、線形回帰モデルmdlをあてはめます。

mdl = fitlm(X,Y);

mdlの係数を表示し、推定された係数値が GPU 配列であるかどうかを判定します。

mdl.Coefficients

ans=4×4 table估计SE tStat pValue  __________ _________ _________ __________ (Intercept) 47.977 3.8785 12.37 4.8957e-21 x1 -0.0065416 0.0011274 -5.8023 9.8742e-08 x2 -0.042943 0.024313 -1.7663 0.08078 x3 -0.011583 0.19333 -0.059913 0.95236

isgpuarray(mdl.Coefficients.Estimate)

ans =logical1

線形回帰モデルのプロパティを収集します。

gatheredMdl = gather(mdl);

gatheredMdlの係数を表示し、推定された係数値が GPU 配列であるかどうかを判定します。

gatheredMdl.Coefficients

ans=4×4 table估计SE tStat pValue  __________ _________ _________ __________ (Intercept) 47.977 3.8785 12.37 4.8957e-21 x1 -0.0065416 0.0011274 -5.8023 9.8742e-08 x2 -0.042943 0.024313 -1.7663 0.08078 x3 -0.011583 0.19333 -0.059913 0.95236

isgpuarray(gatheredMdl.Coefficients.Estimate)

ans =logical0

線形回帰モデルとk最近傍分類器のプロパティを収集します。どちらのモデルも GPU 配列データを使用してあてはめられています。

carsmallデータセットを読み込みます。車両の 3 つのパフォーマンス メトリクスを格納する数値行列としてXを作成し、予測子XをgpuArrayオブジェクトに変換します。

loadcarsmallX = [Weight,Horsepower,Acceleration]; X = gpuArray(X);

MPG(ガロンあたりの走行マイル数)の線形回帰モデルを予測子Xの関数としてあてはめます。

mdlLinear = fitlm(X,MPG);

3 最近傍分類器を予測子XとクラスCylindersを使用して学習させます。非カテゴリカル予測子データを標準化します。

mdlKNN = fitcknn(X,Cylinders,'NumNeighbors',3,'Standardize',1);

mdLinearモデルとmdlKNNモデルのプロパティを収集します。

[gMdlLinear,gMdlKNN] = gather(mdlLinear,mdlKNN);

回帰モデルmdlLinearに対するダービン・ワトソン検定のp値が GPU 配列であるかどうかを判定します。

isgpuarray(dwtest(mdlLinear))

ans =logical1

収集した回帰モデルgMdlLinearに対するダービン・ワトソン検定のp値が GPU 配列であるかどうかを判定します。

isgpuarray(dwtest(gMdlLinear))

ans =logical0

分類器mdlKNNの再代入損失が GPU 配列であるかどうかを判定します。

isgpuarray(resubLoss(mdlKNN))

ans =logical1

収集した分類器gMdlKNNの再代入損失が GPU 配列であるかどうかを判定します。

isgpuarray(resubLoss(gMdlKNN))

ans =logical1