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

Загрузите ionosphere набор данных.

load ionosphere

Обучите линейную модель SVM, используя весь набор 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 поддержки векторов в MdlSV.

numSV = size(MdlSV.SupportVectors,1)

numSV = 103

Отобразите количество переменных предиктора в X.

p = size(X,2)

p = 34

По умолчанию fitcsvm обучает линейную модель SVM для двухклассного обучения. Программное обеспечение перечисляет Alpha на отображении. Модель включает 103 вектора поддержки и 34 предиктора. Если вы отбрасываете векторы поддержки, полученная модель потребляет меньше памяти.

Отменить 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 поддержку меток классов вектора в Mdl.

Mdl.SupportVectorLabels

ans =

     []

Программное обеспечение перечисляет Beta в отображении вместо Alpha. The 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 MdlSV.

Удаление MdlSV из рабочей области.

clear MdlSV

Компактируйте модель SVM, отбрасывая сохраненные векторы поддержки и другие связанные оценки. Спрогнозируйте метку для строки обучающих данных с помощью 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 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.

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 потребляет гораздо меньше памяти, чем полная модель.

Спрогнозируйте метку для случайной строки обучающих данных при помощи CMdl. The predict функция принимает уплотненные модели SVM, и, для линейных моделей SVM, не требует Alpha, SupportVectors, и SupportVectorLabels свойства для предсказания 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'}