Уменьшите размер полной модели ECOC путем удаления обучающих данных. Полные модели ECOC (ClassificationECOC
модели) держать обучающие данные. Для повышения эффективности используйте меньший классификатор.
Загрузите набор данных радужки Фишера. Задайте данные предиктора X
, данные отклика Y
, и порядок классов в Y
.
Обучите модель ECOC с помощью двоичных классификаторов SVM. Стандартизируйте данные предиктора с помощью шаблона SVM t
, и указать порядок классов. Во время обучения программное обеспечение использует значения по умолчанию для пустых опций в t
.
Mdl
является ClassificationECOC
модель.
Уменьшите размер модели ECOC.
CompactMdl =
CompactClassificationECOC
ResponseName: 'Y'
CategoricalPredictors: []
ClassNames: [setosa versicolor virginica]
ScoreTransform: 'none'
BinaryLearners: {3x1 cell}
CodingMatrix: [3x3 double]
Properties, Methods
CompactMdl
является CompactClassificationECOC
модель. CompactMdl
не хранит все свойства, которые Mdl
магазинов. В частности, он не хранит обучающие данные.
Отображение объема памяти, используемой каждым классификатором.
Name Size Bytes Class Attributes
CompactMdl 1x1 15116 classreg.learning.classif.CompactClassificationECOC
Mdl 1x1 28357 ClassificationECOC
Полная модель ECOC (Mdl
) примерно в два раза превышает размер компактной модели ECOC (CompactMdl
).
Чтобы эффективно пометить новые наблюдения, можно удалить Mdl
из рабочей области MATLAB ®, а затем передайте CompactMdl
и новые значения предиктора, чтобы predict
.