Exponenta Banner

компактный

Класс: GeneralizedLinearModel

Компактная обобщенная модель линейной регрессии

расширьте все на странице

Синтаксис

compactMdl = compact(mdl)

Описание

compactMdl = compact(mdl) возвращает компактную обобщенную модель линейной регрессии, compactMdl, который является компактной версией полной, подходящей модели mdl регрессии. Компактная модель использует меньше памяти, чем полная модель, потому что это не включает копию данных или чего-либо сопоставимого в размере к данным. Однако компактная модель также не поддерживает свойства (такие как Residuals) или методы (такие как addTerms), которые требуют данных.

Входные параметры

развернуть все

Полная, адаптированная обобщенная модель линейной регрессии, заданная как объект GeneralizedLinearModel, созданный с помощью fitglm или stepwiseglm.

Выходные аргументы

развернуть все

Компактная обобщенная модель линейной регрессии, возвращенная как объект CompactGeneralizedLinearModel.

Предскажите значения ответа с помощью compactMdl точно, как вы были бы с помощью mdl. Однако, поскольку compactMdl не содержит данные тренировки, вы не можете выполнить определенные задачи, такие как перекрестная проверка.

Примеры

развернуть все

Скрипт Open Live Script

Уменьшайте размер полного, соответствовал обобщенной модели линейной регрессии путем отбрасывания выборочных данных и некоторой информации, связанной с подходящим процессом.

Загрузите данные в рабочую область. Моделируемые выборочные данные содержат 15 000 наблюдений и 45 переменных прогноза.

load(fullfile(matlabroot,'examples','stats','largedata4reg.mat'))

Соответствуйте обобщенной модели линейной регрессии к данным с помощью первых 15 переменных прогноза.

mdl = fitglm(X(:,1:15),Y)
mdl = 
Generalized linear regression model:
    y ~ [Linear formula with 16 terms in 15 predictors]
    Distribution = Normal

Estimated Coefficients:
                    Estimate          SE         tStat       pValue   
                   ___________    __________    _______    ___________

    (Intercept)         3.2903    0.00010447      31497              0
    x1              -0.0006461    4.9991e-08     -12924              0
    x2             -0.00024739    8.6874e-08    -2847.7              0
    x3             -9.5161e-05    1.1138e-07    -854.38              0
    x4              0.00013143     1.551e-07     847.35              0
    x5               7.163e-05    1.9793e-07      361.9              0
    x6              4.5064e-06    2.2247e-07     20.257     4.9539e-90
    x7             -2.6258e-05    2.5462e-07    -103.13              0
    x8               6.284e-05    2.5633e-07     245.15              0
    x9             -0.00014288     2.817e-07    -507.19              0
    x10            -2.2642e-05    3.0963e-07    -73.127              0
    x11            -6.0227e-05    3.1639e-07    -190.36              0
    x12             1.1665e-05    3.3921e-07     34.388    1.6995e-249
    x13             3.8595e-05    3.5601e-07     108.41              0
    x14             0.00010021    4.0312e-07     248.57              0
    x15            -6.5674e-06    4.1692e-07    -15.752      1.844e-55


15000 observations, 14984 error degrees of freedom
Estimated Dispersion: 0.000164
F-statistic vs. constant model: 1.18e+07, p-value = 0

Уплотните модель. Компактная модель отбрасывает исходные выборочные данные и некоторую информацию, связанную с подходящим процессом, таким образом, это использует меньше памяти, чем полная модель.

compactMdl = compact(mdl)
compactMdl = 
Compact generalized linear regression model:
    y ~ [Linear formula with 16 terms in 15 predictors]
    Distribution = Normal

Estimated Coefficients:
                    Estimate          SE         tStat       pValue   
                   ___________    __________    _______    ___________

    (Intercept)         3.2903    0.00010447      31497              0
    x1              -0.0006461    4.9991e-08     -12924              0
    x2             -0.00024739    8.6874e-08    -2847.7              0
    x3             -9.5161e-05    1.1138e-07    -854.38              0
    x4              0.00013143     1.551e-07     847.35              0
    x5               7.163e-05    1.9793e-07      361.9              0
    x6              4.5064e-06    2.2247e-07     20.257     4.9539e-90
    x7             -2.6258e-05    2.5462e-07    -103.13              0
    x8               6.284e-05    2.5633e-07     245.15              0
    x9             -0.00014288     2.817e-07    -507.19              0
    x10            -2.2642e-05    3.0963e-07    -73.127              0
    x11            -6.0227e-05    3.1639e-07    -190.36              0
    x12             1.1665e-05    3.3921e-07     34.388    1.6995e-249
    x13             3.8595e-05    3.5601e-07     108.41              0
    x14             0.00010021    4.0312e-07     248.57              0
    x15            -6.5674e-06    4.1692e-07    -15.752      1.844e-55


15000 observations, 14984 error degrees of freedom
Estimated Dispersion: 0.000164
F-statistic vs. constant model: 1.18e+07, p-value = 0

Смотрите также

| | |

Введенный в R2017b

Документация Statistics and Machine Learning Toolbox
Поддержка