gather

Сбор свойств модели машинного обучения с графический процессор

Синтаксис

gatheredMdl = gather(mdl)

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

Описание

gatheredMdl = gather(mdl) собирает все свойства входа регрессионной или классификационной модели mdl и возвращает собранную модель gatheredMdl. Все свойства модели выхода хранятся в локальной рабочей области.

Использовать gather создать модель машинного обучения с свойствами, сохраненными в локальной рабочей области, из модели, подобранной с использованием данных, сохраненных в качестве массива GPU. Для получения дополнительной информации об массивах GPU смотрите gpuArray (Parallel Computing Toolbox).

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

Примеры

свернуть все

Сбор свойств линейной регрессионой модели

Этот пример использует:

Открыть Live Script

Соберите свойства линейной регрессионой модели, оснащенной данными массива GPU.

Загрузите carsmall набор данных. Создание X как числовая матрица, которая содержит три метрики эффективности автомобиля. Создание Y как числовой вектор, который содержит соответствующие мили на галлон.

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

Преобразуйте предиктор X и ответные Y на gpuArray (Parallel Computing Toolbox) объекты.

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

Подбор линейной регрессионой модели mdl при помощи fitlm.

mdl = fitlm(X,Y);

Отобразите коэффициенты mdl и определите, являются ли оцененные значения коэффициентов массивами GPU.

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 линейной регрессионой модели.

gatheredMdl = gather(mdl);

Отобразите коэффициенты gatheredMdl и определите, являются ли оцененные значения коэффициентов массивами GPU.

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

Сбор свойств нескольких моделей

Этот пример использует:

Открыть Live Script

Соберите свойства линейной регрессионой модели и k-ближайших соседей классификатора. Обе модели устанавливаются с использованием данных массива GPU.

Загрузите carsmall набор данных. Создание X как числовая матрица, которая содержит три метрики эффективности автомобиля и преобразует предиктор X в gpuArray объект.

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

Подбор линейной регрессионой модели MPG (мили на галлон) как функцию предиктора X.

mdlLinear = fitlm(X,MPG);

Обучите классификатор 3 ближайших соседей с помощью предиктора X и классы Cylinders. Стандартизируйте некатегориальные данные предиктора.

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

Соберите свойства mdLinear и mdlKNN модели.

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

Определите, является ли p-значение теста Дурбина-Ватсона для регрессионой модели mdlLinear является графическим процессором.

isgpuarray(dwtest(mdlLinear))

ans = logical
   1

Определите, является ли p-значение теста Дурбина-Ватсона для собранной регрессионой модели gMdlLinear является графическим процессором.

isgpuarray(dwtest(gMdlLinear))

ans = logical
   0

Определите, является ли потеря классификатора реституцией mdlKNN является графическим процессором.

isgpuarray(resubLoss(mdlKNN))

ans = logical
   1

Определите, является ли потеря реституции собранного классификатора gMdlKNN является графическим процессором.

isgpuarray(resubLoss(gMdlKNN))

ans = logical
   1

Входные параметры

свернуть все

`mdl` - Модель машинного обучения, оснащенная массивами GPU
объект модели | объект классификационной модели

Модель машинного обучения, оснащенная графическим процессором массивов, заданная как объект регрессионной или классификационной модели, как представлено в следующей таблице поддерживаемых моделей.

Имя объекта модели	Описание модели	Функция создания моделей
`LinearModel`	Полная линейная регрессионая модель	`fitlm`
`CompactLinearModel`	Компактная линейная регрессионая модель	`LinearModel` функции объекта `compact`
`GeneralizedLinearModel`	Полная обобщенная линейная регрессионая модель	`fitglm`
`CompactGeneralizedLinearModel`	Компактная обобщенная линейная регрессионая модель	`GeneralizedLinearModel` функции объекта `compact`
`ClassificationKNN`	k - модель классификации по ближайшему соседу	`fitcknn`

Если вы хотите создать компактную модель, оснащенную графическим процессором массивами, входным параметром mdl из compact должен быть полным объектом модели, оснащенным входными параметрами массива GPU.

Расширенные возможности

Массивы графических процессоров
Ускорите код, запустив на графическом процессорном модуле (GPU) с помощью Parallel Computing Toolbox™.

Указания и ограничения по применению:

Эта функция поддерживает объекты модели, оснащенные входными параметрами массива GPU.

Для получения дополнительной информации смотрите Запуск функций MATLAB на графическом процессоре (Parallel Computing Toolbox).

См. также

Темы

Введенный в R2020b

Документация

gather

Синтаксис

Описание

Примеры

Сбор свойств линейной регрессионой модели

Сбор свойств нескольких моделей

Входные параметры

`mdl` - Модель машинного обучения, оснащенная массивами GPU
объект модели | объект классификационной модели

Расширенные возможности

Массивы графических процессоров
Ускорите код, запустив на графическом процессорном модуле (GPU) с помощью Parallel Computing Toolbox™.

См. также

Темы

Statistics and Machine Learning Toolbox документация

Поддержка

Документация

gather

Синтаксис

Описание

Примеры

Сбор свойств линейной регрессионой модели

Сбор свойств нескольких моделей

Входные параметры

mdl - Модель машинного обучения, оснащенная массивами GPU объект модели | объект классификационной модели

Расширенные возможности

Массивы графических процессоров Ускорите код, запустив на графическом процессорном модуле (GPU) с помощью Parallel Computing Toolbox™.

См. также

Темы

Statistics and Machine Learning Toolbox документация

Поддержка

`mdl` - Модель машинного обучения, оснащенная массивами GPU
объект модели | объект классификационной модели

Массивы графических процессоров
Ускорите код, запустив на графическом процессорном модуле (GPU) с помощью Parallel Computing Toolbox™.