Создайте линейную модель SVM, которая более эффективна с точки зрения памяти, отбросив векторы поддержки и другие связанные параметры.

Загрузить ionosphere набор данных.

load ionosphere

Обучение линейной модели SVM с использованием всего 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

Отображение количества векторов поддержки в MdlSV.

numSV = size(MdlSV.SupportVectors,1)

numSV = 103

Отображение количества переменных предиктора в X.

p = size(X,2)

p = 34

По умолчанию fitcsvm тренирует линейную модель SVM для двухклассного обучения. Списки программного обеспечения Alpha на дисплее. Модель включает 103 вектора поддержки и 34 предиктора. При удалении векторов поддержки результирующая модель потребляет 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

Отображение коэффициентов в Mdl.

Mdl.Alpha

ans =

     []

Отображение векторов поддержки в Mdl.

Mdl.SupportVectors

ans =

     []

Отображение меток класса вектора поддержки в Mdl.

Mdl.SupportVectorLabels

ans =

     []

Списки программного обеспечения Beta на дисплее 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 примерно на 20% меньше, чем MdlSV.

Удалить MdlSV из рабочей области.

clear MdlSV

Сжатие модели SVM путем отбрасывания сохраненных векторов поддержки и других связанных оценок. Спрогнозировать метку для строки обучающих данных с помощью уплотненной модели.

Загрузить ionosphere набор данных.

load ionosphere
rng(1); % For reproducibility

Обучение модели SVM с использованием опций по умолчанию.

MdlSV = fitcsvm(X,Y);

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

Уменьшите размер модели SVM, отбросив обучающие данные, векторы поддержки и связанные оценки.

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

CMdl является CompactClassificationSVM модель.

Сравнение размеров моделей SVM MdlSV и CMdl.

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

ans = 96.8174

Уплотненная модель CMdl потребляет гораздо меньше памяти, чем полная модель.

Прогнозирование метки для случайной строки обучающих данных с помощью CMdl. predict функция принимает уплотненные модели SVM и для линейных моделей SVM не требует Alpha, SupportVectors, и SupportVectorLabels свойства для прогнозирования меток 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'}