compact

Класс: RegressionTree

Компактное дерево регрессии

Синтаксис

ctree = compact(tree)

Описание

ctree = compact(tree) создает компактную версию tree.

Входные параметры

tree

Дерево регрессии, созданное с помощью fitrtree.

Выходные аргументы

ctree

Компактное дерево регрессии. ctree имеет класс CompactRegressionTree. Можно предсказать регрессии с помощью ctree точно так же, как вы можете с помощью tree. Однако начиная с ctree не содержит обучающие данные, вы не можете выполнить некоторые действия, такие как перекрестная проверка.

Примеры

развернуть все

Сравните размер полной модели дерева регрессии к уплотненной модели.

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

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 RegressionTree модель. 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 предсказания только.

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


  Properties, Methods

CMdl CompactRegressionTree модель. Для списка свойств компактных моделей дерева регрессии смотрите CompactRegressionTree.

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

mdlInfo = whos('Mdl');
cMdlInfo = whos('CMdl');
[mdlInfo.bytes cMdlInfo.bytes]
ans = 1×2

       12233        6730

cMdlInfo.bytes/mdlInfo.bytes
ans = 0.5502

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

Смотрите также

| | |

Для просмотра документации необходимо авторизоваться на сайте