gather

Соберите свойства модели машинного обучения от графического процессора

    Описание

    пример

    gatheredMdl = gather(mdl) собирает все свойства входной регрессии или модели mdl классификации и возвращает собранную модель gatheredMdl. Все свойства выходной модели хранятся в локальной рабочей области.

    Использование gather создать модель машинного обучения со свойствами, сохраненными в локальной рабочей области из модели, подбиравшей с помощью данных, хранимых как массив графического процессора. Для получения дополнительной информации о массивах графического процессора смотрите gpuArray (Parallel Computing Toolbox).

    [gatheredMdl1,gatheredMdl2,...,gatheredMdln] = gather(mdl1,mdl2,...,mdln) собирает свойства многоуровневых моделей mdl1,mdl2,...,mdln и возвращает соответствующие собранные модели gatheredMdl1,gatheredMdl2,...,gatheredMdln. Количество входных параметров и выходных аргументов должно соответствовать.

    Примеры

    свернуть все

    Соберите свойства модели линейной регрессии, подбиравшей с данными массива графического процессора.

    Загрузите carsmall набор данных. Создайте X как числовая матрица, которая содержит три автомобильных показателя производительности. Создайте Y как числовой вектор, который содержит соответствующие мили на галлон.

    load carsmall
    X = [Weight,Horsepower,Acceleration];
    Y = MPG;

    Преобразуйте предиктор X и ответ Y к gpuArray (Parallel Computing Toolbox) объекты.

    X = gpuArray(X);
    Y = gpuArray(Y);

    Соответствуйте модели mdl линейной регрессии при помощи fitlm.

    mdl = fitlm(X,Y);

    Отобразите коэффициенты mdl и определите, являются ли предполагаемые содействующие значения массивами графического процессора.

    mdl.Coefficients
    ans=4×4 table
                        Estimate        SE          tStat        pValue  
                       __________    _________    _________    __________
    
        (Intercept)        47.977       3.8785        12.37    4.8957e-21
        x1             -0.0065416    0.0011274      -5.8023    9.8742e-08
        x2              -0.042943     0.024313      -1.7663       0.08078
        x3              -0.011583      0.19333    -0.059913       0.95236
    
    
    isgpuarray(mdl.Coefficients.Estimate)
    ans = logical
       1
    
    

    Соберите свойства модели линейной регрессии.

    gatheredMdl = gather(mdl);

    Отобразите коэффициенты gatheredMdl и определите, являются ли предполагаемые содействующие значения массивами графического процессора.

    gatheredMdl.Coefficients
    ans=4×4 table
                        Estimate        SE          tStat        pValue  
                       __________    _________    _________    __________
    
        (Intercept)        47.977       3.8785        12.37    4.8957e-21
        x1             -0.0065416    0.0011274      -5.8023    9.8742e-08
        x2              -0.042943     0.024313      -1.7663       0.08078
        x3              -0.011583      0.19333    -0.059913       0.95236
    
    
    isgpuarray(gatheredMdl.Coefficients.Estimate)
    ans = logical
       0
    
    

    Соберите свойства модели линейной регрессии и классификатора k - ближайших соседей. Обе модели подбираются с помощью данных массива графического процессора.

    Загрузите carsmall набор данных. Создайте X как числовая матрица, которая содержит три автомобильных показателя производительности и преобразует предиктор X к gpuArray объект.

    load carsmall
    X = [Weight,Horsepower,Acceleration];
    X = gpuArray(X);

    Подбирайте модель линейной регрессии MPG (мили на галлон) в зависимости от предиктора X.

    mdlLinear = fitlm(X,MPG);

    Обучите 3-самый близкий соседний классификатор с помощью предиктора X и классы Cylinders. Стандартизируйте некатегориальные данные о предикторе.

    mdlKNN = fitcknn(X,Cylinders,'NumNeighbors',3,'Standardize',1);

    Соберите свойства mdLinear и mdlKNN модели.

    [gMdlLinear,gMdlKNN] = gather(mdlLinear,mdlKNN);

    Определите, тестирует ли p-значение Дербин-Уотсона на модель mdlLinear регрессии массив графического процессора.

    isgpuarray(dwtest(mdlLinear))
    ans = logical
       1
    
    

    Определите, тестирует ли p-значение Дербин-Уотсона на собранную модель gMdlLinear регрессии массив графического процессора.

    isgpuarray(dwtest(gMdlLinear))
    ans = logical
       0
    
    

    Определите ли потеря перезамены классификатора mdlKNN массив графического процессора.

    isgpuarray(resubLoss(mdlKNN))
    ans = logical
       1
    
    

    Определите ли потеря перезамены собранного классификатора gMdlKNN массив графического процессора.

    isgpuarray(resubLoss(gMdlKNN))
    ans = logical
       1
    
    

    Входные параметры

    свернуть все

    Модель машинного обучения, подбиравшая с массивами графического процессора в виде регрессии или объекта модели классификации, как дали в следующей таблице поддерживаемых моделей.

    Имя объекта моделиОписание моделиФункция создания модели
    LinearModelПолная модель линейной регрессииfitlm
    CompactLinearModelКомпактная модель линейной регрессииLinearModel возразите функции compact
    GeneralizedLinearModelПолная обобщенная линейная модель регрессииfitglm
    CompactGeneralizedLinearModelКомпактная обобщенная линейная модель регрессииGeneralizedLinearModel возразите функции compact
    ClassificationKNNk- соседняя модель классификацииfitcknn

    Если вы хотите создать компактную модель, подбиравшую с массивами графического процессора, входной параметр mdl из compact должен быть полный объект модели, снабженный входными параметрами графического процессора массивов.

    Расширенные возможности

    Введенный в R2020b
    Для просмотра документации необходимо авторизоваться на сайте