gather

Сбор свойств модели машинного обучения с графический процессор

    Описание

    пример

    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

    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
    
    

    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

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

    Имя объекта моделиОписание моделиФункция создания моделей
    LinearModelПолная линейная регрессионая модельfitlm
    CompactLinearModelКомпактная линейная регрессионая модельLinearModel функции объекта compact
    GeneralizedLinearModelПолная обобщенная линейная регрессионая модельfitglm
    CompactGeneralizedLinearModelКомпактная обобщенная линейная регрессионая модельGeneralizedLinearModel функции объекта compact
    ClassificationKNNk - модель классификации по ближайшему соседуfitcknn

    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

    Введенный в R2020b
    Для просмотра документации необходимо авторизоваться на сайте