gather

Соберите свойства модели машинного обучения от графического процессора

Синтаксис

gatheredMdl = gather(mdl)

[gatheredMdl1,gatheredMdl2,...,gatheredMdln] = gather(mdl1,mdl2,...,mdln)

Описание

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

Этот пример использует:

Скрипт Open Live Script

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 многоуровневых моделей

Этот пример использует:

Скрипт Open Live Script

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

`mdl` — Модель машинного обучения подбирается с массивами графического процессора
объект модели регрессии | объект модели классификации

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

Имя объекта модели	Описание модели	Функция создания модели
`LinearModel`	Полная модель линейной регрессии	`fitlm`
`CompactLinearModel`	Компактная модель линейной регрессии	`LinearModel` возразите функции `compact`
`GeneralizedLinearModel`	Полная обобщенная линейная модель регрессии	`fitglm`
`CompactGeneralizedLinearModel`	Компактная обобщенная линейная модель регрессии	`GeneralizedLinearModel` возразите функции `compact`
`ClassificationKNN`	k- соседняя модель классификации	`fitcknn`

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

Массивы графического процессора
Ускорьте код путем работы графического процессора (GPU) с помощью Parallel Computing Toolbox™.

Указания и ограничения по применению:

Эта функция поддерживает объекты модели, снабженные входными параметрами графического процессора массивов.

Для получения дополнительной информации смотрите функции MATLAB Запуска на графическом процессоре (Parallel Computing Toolbox).

Смотрите также

Темы

Введенный в R2020b

Документация

gather

Синтаксис

Описание

Примеры

Соберите свойства модели линейной регрессии

Соберите свойства многоуровневых моделей

Входные параметры

`mdl` — Модель машинного обучения подбирается с массивами графического процессора
объект модели регрессии | объект модели классификации

Расширенные возможности

Массивы графического процессора
Ускорьте код путем работы графического процессора (GPU) с помощью Parallel Computing Toolbox™.

Смотрите также

Темы

Документация Statistics and Machine Learning Toolbox

Поддержка

Документация

gather

Синтаксис

Описание

Примеры

Соберите свойства модели линейной регрессии

Соберите свойства многоуровневых моделей

Входные параметры

mdl — Модель машинного обучения подбирается с массивами графического процессора объект модели регрессии | объект модели классификации

Расширенные возможности

Массивы графического процессора Ускорьте код путем работы графического процессора (GPU) с помощью Parallel Computing Toolbox™.

Смотрите также

Темы

Документация Statistics and Machine Learning Toolbox

Поддержка

`mdl` — Модель машинного обучения подбирается с массивами графического процессора
объект модели регрессии | объект модели классификации

Массивы графического процессора
Ускорьте код путем работы графического процессора (GPU) с помощью Parallel Computing Toolbox™.