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