Создайте линейную модель SVM, которая более эффективна памятью путем отбрасывания векторов поддержки и других связанных параметров.

Загрузите ionosphere набор данных.

load ionosphere

Обучите линейную модель SVM с помощью целого набора данных.

MdlSV = fitcsvm(X,Y)

MdlSV = 
  ClassificationSVM
             ResponseName: 'Y'
    CategoricalPredictors: []
               ClassNames: {'b'  'g'}
           ScoreTransform: 'none'
          NumObservations: 351
                    Alpha: [103x1 double]
                     Bias: -3.8827
         KernelParameters: [1x1 struct]
           BoxConstraints: [351x1 double]
          ConvergenceInfo: [1x1 struct]
          IsSupportVector: [351x1 logical]
                   Solver: 'SMO'


  Properties, Methods

Отобразите количество векторов поддержки в MdlSV.

numSV = size(MdlSV.SupportVectors,1)

numSV = 103

Отобразите количество переменных предикторов в X.

p = size(X,2)

p = 34

По умолчанию, fitcsvm обучает линейную модель SVM изучению 2D класса. Программное обеспечение перечисляет Alpha в отображении. Модель включает 103 вектора поддержки и 34 предиктора. Если вы отбрасываете векторы поддержки, получившаяся модель использует меньше памяти.

Отбросьте векторы поддержки и другие связанные параметры.

Mdl = discardSupportVectors(MdlSV)

Mdl = 
  ClassificationSVM
             ResponseName: 'Y'
    CategoricalPredictors: []
               ClassNames: {'b'  'g'}
           ScoreTransform: 'none'
          NumObservations: 351
                     Beta: [34x1 double]
                     Bias: -3.8827
         KernelParameters: [1x1 struct]
           BoxConstraints: [351x1 double]
          ConvergenceInfo: [1x1 struct]
          IsSupportVector: [351x1 logical]
                   Solver: 'SMO'


  Properties, Methods

Отобразите коэффициенты в Mdl.

Mdl.Alpha

ans =

     []

Отобразите векторы поддержки в Mdl.

Mdl.SupportVectors

ans =

     []

Отобразите метки класса вектора поддержки в Mdl.

Mdl.SupportVectorLabels

ans =

     []

Программное обеспечение перечисляет Beta в отображении вместо Alpha. Alpha, SupportVectors, и SupportVectorLabels свойства пусты.

Сравните размеры моделей.

vars = whos('MdlSV','Mdl');
100*(1 - vars(1).bytes/vars(2).bytes)

ans = 20.5503

Mdl приблизительно на 20% меньше, чем MdlSV.

Удалите MdlSV из рабочей области.

clear MdlSV

Уплотните модель SVM путем отбрасывания сохраненных векторов поддержки и других связанных оценок. Предскажите метку для строки обучающих данных при помощи уплотненной модели.

Загрузите ionosphere набор данных.

load ionosphere
rng(1); % For reproducibility

Обучите модель SVM с помощью опций по умолчанию.

MdlSV = fitcsvm(X,Y);

MdlSV ClassificationSVM модель, содержащая непустые значения для ее Alpha, SupportVectors, и SupportVectorLabels свойства.

Уменьшайте размер модели SVM путем отбрасывания обучающих данных, поддержите векторы и связанные оценки.

CMdlSV = compact(MdlSV);               % Discard training data
CMdl = discardSupportVectors(CMdlSV);  % Discard support vectors

CMdl CompactClassificationSVM модель.

Сравните размеры моделей SVM MdlSV и CMdl.

vars = whos('MdlSV','CMdl');
100*(1 - vars(1).bytes/vars(2).bytes)

ans = 96.8174

Уплотненная модель CMdl использует намного меньше памяти, чем полная модель.

Предскажите метку для случайной строки обучающих данных при помощи CMdl. predict функция принимает уплотненные модели SVM, и, для линейных моделей SVM, не требует Alpha, SupportVectors, и SupportVectorLabels свойства предсказать метки для новых наблюдений.

idx = randsample(size(X,1),1)

idx = 147

predictedLabel = predict(CMdl,X(idx,:))

predictedLabel = 1x1 cell array
    {'b'}

trueLabel = Y(idx)

trueLabel = 1x1 cell array
    {'b'}