Сравните размер модели дерева полной регрессии с уплотненной моделью.

Загрузите carsmall набор данных. Рассмотрим Acceleration, Displacement, Horsepower, и Weight как переменные предиктора.

load carsmall
X = [Acceleration Cylinders Displacement Horsepower Weight];

Вырастите дерево регрессии, используя весь набор данных.

Mdl = fitrtree(X,MPG)

Mdl = 
  RegressionTree
             ResponseName: 'Y'
    CategoricalPredictors: []
        ResponseTransform: 'none'
          NumObservations: 94


  Properties, Methods

Mdl является RegressionTree модель. Это полная модель, то есть она хранит информацию, такую как предиктор и данные отклика fitrtree используется в обучении. Список свойств моделей дерева полной регрессии смотрите RegressionTree.

Создайте компактную версию полного дерева регрессии. То есть тот, который содержит достаточно информации, чтобы делать только предсказания.

CMdl = compact(Mdl)

CMdl = 
  CompactRegressionTree
             ResponseName: 'Y'
    CategoricalPredictors: []
        ResponseTransform: 'none'


  Properties, Methods

CMdl является CompactRegressionTree модель. Список свойств компактных моделей дерева регрессии см. CompactRegressionTree.

Смотрите объемы памяти, которые потребляют полные и компактные деревья регрессии.

mdlInfo = whos('Mdl');
cMdlInfo = whos('CMdl');
[mdlInfo.bytes cMdlInfo.bytes]

ans = 1×2

       12401        6898

cMdlInfo.bytes/mdlInfo.bytes

ans = 0.5562

В этом случае компактная модель дерева регрессии потребляет примерно на 25% меньше памяти, чем полная модель.