Сравните размер полной модели дерева регрессии к уплотненной модели.

Загрузите набор данных carsmall. Рассмотрите Acceleration, Displacement, Horsepower и Weight как переменные прогноза.

load carsmall
X = [Acceleration Cylinders Displacement Horsepower Weight];

Вырастите дерево регрессии использование целого набора данных.

Mdl = fitrtree(X,MPG)

Mdl = 
  RegressionTree
             ResponseName: 'Y'
    CategoricalPredictors: []
        ResponseTransform: 'none'
          NumObservations: 94


  Properties, Methods

Mdl является моделью RegressionTree. Это - полная модель, то есть, это хранит информацию, такую как предиктор и данные об ответе fitrtree, используемый в обучении. Для списка свойств полных моделей дерева регрессии смотрите RegressionTree.

Создайте компактную версию полного дерева регрессии. Таким образом, тот, который содержит достаточно информации, чтобы сделать прогнозы только.

CMdl = compact(Mdl)

CMdl = 
  classreg.learning.regr.CompactRegressionTree
             ResponseName: 'Y'
    CategoricalPredictors: []
        ResponseTransform: 'none'


  Properties, Methods

CMdl является моделью CompactRegressionTree. Для списка свойств компактных моделей дерева регрессии смотрите CompactRegressionTree.

Осмотрите объемы памяти, которые используют полные и компактные деревья регрессии.

mdlInfo = whos('Mdl');
cMdlInfo = whos('CMdl');
[mdlInfo.bytes cMdlInfo.bytes]

ans = 1×2

       12131        6628

cMdlInfo.bytes/mdlInfo.bytes

ans = 0.5464

В этом случае компактная модель дерева регрессии использует приблизительно на 25% меньше памяти, чем полная модель использует.