Уменьшайте размер полного классификатора SVM путем удаления обучающих данных. Полные классификаторы SVM (то есть, ClassificationSVM классификаторы), содержат обучающие данные. Чтобы повысить эффективность, используйте меньший классификатор.
Загрузите ionosphere набор данных.
Обучите классификатор SVM. Стандартизируйте данные о предикторе и задайте порядок классов.
SVMModel =
ClassificationSVM
ResponseName: 'Y'
CategoricalPredictors: []
ClassNames: {'b' 'g'}
ScoreTransform: 'none'
NumObservations: 351
Alpha: [90x1 double]
Bias: -0.1343
KernelParameters: [1x1 struct]
Mu: [1x34 double]
Sigma: [1x34 double]
BoxConstraints: [351x1 double]
ConvergenceInfo: [1x1 struct]
IsSupportVector: [351x1 logical]
Solver: 'SMO'
Properties, Methods
SVMModel ClassificationSVM классификатор.
Уменьшайте размер классификатора SVM.
CompactSVMModel =
classreg.learning.classif.CompactClassificationSVM
ResponseName: 'Y'
CategoricalPredictors: []
ClassNames: {'b' 'g'}
ScoreTransform: 'none'
Alpha: [90x1 double]
Bias: -0.1343
KernelParameters: [1x1 struct]
Mu: [1x34 double]
Sigma: [1x34 double]
SupportVectors: [90x34 double]
SupportVectorLabels: [90x1 double]
Properties, Methods
CompactSVMModel CompactClassificationSVM классификатор.
Отобразите объем памяти каждый классификатор использование.
Name Size Bytes Class Attributes
CompactSVMModel 1x1 30890 classreg.learning.classif.CompactClassificationSVM
SVMModel 1x1 140980 ClassificationSVM
Полный классификатор SVM (SVMModel) больше чем в четыре раза больше, чем компактный классификатор SVM (CompactSVMModel).
Чтобы пометить новые наблюдения эффективно, можно удалить SVMModel от MATLAB® Workspace, и затем передают CompactSVMModel и новые значения предиктора к predict.
Чтобы далее уменьшать размер вашего компактного классификатора SVM, используйте discardSupportVectors функционируйте, чтобы отбросить векторы поддержки.
