Уменьшайте размер модели машинного обучения
возвращает компактную модель (CompactMdl
= compact(Mdl
)CompactMdl
), компактная версия обученной модели Mdl
машинного обучения.
CompactMdl
не содержит обучающие данные, тогда как Mdl
содержит обучающие данные в его X
и Y
свойства. Поэтому несмотря на то, что можно предсказать метки класса с помощью CompactMdl
, вы не можете выполнить задачи, такие как перекрестная проверка с компактной моделью.
Уменьшайте размер полного наивного классификатора Байеса путем удаления обучающих данных. Полные наивные классификаторы Байеса содержат обучающие данные. Можно использовать компактный наивный классификатор Байеса, чтобы повысить эффективность памяти.
Загрузите ionosphere
набор данных. Удалите первые два предиктора для устойчивости.
load ionosphere
X = X(:,3:end);
Обучите наивный классификатор Байеса с помощью предикторов X
и класс маркирует Y
. Методические рекомендации должны задать имена классов. fitcnb
принимает, что каждый предиктор условно и нормально распределен.
Mdl = fitcnb(X,Y,'ClassNames',{'b','g'})
Mdl = ClassificationNaiveBayes ResponseName: 'Y' CategoricalPredictors: [] ClassNames: {'b' 'g'} ScoreTransform: 'none' NumObservations: 351 DistributionNames: {1x32 cell} DistributionParameters: {2x32 cell} Properties, Methods
Mdl
обученный ClassificationNaiveBayes
классификатор.
Уменьшайте размер наивного классификатора Байеса.
CMdl = compact(Mdl)
CMdl = CompactClassificationNaiveBayes ResponseName: 'Y' CategoricalPredictors: [] ClassNames: {'b' 'g'} ScoreTransform: 'none' DistributionNames: {1x32 cell} DistributionParameters: {2x32 cell} Properties, Methods
CMdl
обученный CompactClassificationNaiveBayes
классификатор.
Отобразите объем памяти, используемый каждым классификатором.
whos('Mdl','CMdl')
Name Size Bytes Class Attributes CMdl 1x1 15060 classreg.learning.classif.CompactClassificationNaiveBayes Mdl 1x1 111190 ClassificationNaiveBayes
Полный наивный классификатор Байеса (Mdl
) больше чем в семь раз больше, чем компактный наивный классификатор Байеса (CMdl
).
Чтобы пометить новые наблюдения эффективно, можно удалить Mdl
от MATLAB® Workspace, и затем передают CMdl
и новые значения предиктора к predict
.
Уменьшайте размер машины вектора полной поддержки (SVM) классификатор путем удаления обучающих данных. Полные классификаторы SVM (то есть, ClassificationSVM
классификаторы), содержат обучающие данные. Чтобы повысить эффективность, используйте меньший классификатор.
Загрузите ionosphere
набор данных.
load ionosphere
Обучите классификатор SVM. Стандартизируйте данные о предикторе и задайте порядок классов.
SVMModel = fitcsvm(X,Y,'Standardize',true,... 'ClassNames',{'b','g'})
SVMModel = ClassificationSVM ResponseName: 'Y' CategoricalPredictors: [] ClassNames: {'b' 'g'} ScoreTransform: 'none' NumObservations: 351 Alpha: [90x1 double] Bias: -0.1343 KernelParameters: [1x1 struct] Mu: [0.8917 0 0.6413 0.0444 0.6011 0.1159 0.5501 ... ] Sigma: [0.3112 0 0.4977 0.4414 0.5199 0.4608 0.4927 ... ] BoxConstraints: [351x1 double] ConvergenceInfo: [1x1 struct] IsSupportVector: [351x1 logical] Solver: 'SMO' Properties, Methods
SVMModel
ClassificationSVM
классификатор.
Уменьшайте размер классификатора SVM.
CompactSVMModel = compact(SVMModel)
CompactSVMModel = CompactClassificationSVM ResponseName: 'Y' CategoricalPredictors: [] ClassNames: {'b' 'g'} ScoreTransform: 'none' Alpha: [90x1 double] Bias: -0.1343 KernelParameters: [1x1 struct] Mu: [0.8917 0 0.6413 0.0444 0.6011 0.1159 0.5501 ... ] Sigma: [0.3112 0 0.4977 0.4414 0.5199 0.4608 0.4927 ... ] SupportVectors: [90x34 double] SupportVectorLabels: [90x1 double] Properties, Methods
CompactSVMModel
CompactClassificationSVM
классификатор.
Отобразите объем памяти, используемый каждым классификатором.
whos('SVMModel','CompactSVMModel')
Name Size Bytes Class Attributes CompactSVMModel 1x1 31058 classreg.learning.classif.CompactClassificationSVM SVMModel 1x1 141148 ClassificationSVM
Полный классификатор SVM (SVMModel
) больше чем в четыре раза больше, чем компактный классификатор SVM (CompactSVMModel
).
Чтобы пометить новые наблюдения эффективно, можно удалить SVMModel
от MATLAB® Workspace, и затем передают CompactSVMModel
и новые значения предиктора к predict
.
Чтобы далее уменьшать размер компактного классификатора SVM, используйте discardSupportVectors
функционируйте, чтобы отбросить векторы поддержки.
Уменьшайте размер полной обобщенной аддитивной модели (GAM) для регрессии путем удаления обучающих данных. Полные модели содержат обучающие данные. Можно использовать компактную модель, чтобы повысить эффективность памяти.
Загрузите carbig
набор данных.
load carbig
Задайте Acceleration
, Displacement
, Horsepower
, и Weight
как переменные предикторы (X
) и MPG
как переменная отклика (Y
).
X = [Acceleration,Displacement,Horsepower,Weight]; Y = MPG;
Обучите GAM с помощью X
и Y
.
Mdl = fitrgam(X,Y)
Mdl = RegressionGAM ResponseName: 'Y' CategoricalPredictors: [] ResponseTransform: 'none' Intercept: 26.9442 IsStandardDeviationFit: 0 NumObservations: 398 Properties, Methods
Mdl
RegressionGAM
объект модели.
Уменьшайте размер модели.
CMdl = compact(Mdl)
CMdl = CompactRegressionGAM ResponseName: 'Y' CategoricalPredictors: [] ResponseTransform: 'none' Intercept: 26.9442 IsStandardDeviationFit: 0 Properties, Methods
CMdl
CompactRegressionGAM
объект модели.
Отобразите объем памяти, используемый каждой моделью регрессии.
whos('Mdl','CMdl')
Name Size Bytes Class Attributes CMdl 1x1 578163 classreg.learning.regr.CompactRegressionGAM Mdl 1x1 611957 RegressionGAM
Полная модель (Mdl
) больше, чем компактная модель (CMdl
).
Чтобы эффективно предсказать ответы для новых наблюдений, можно удалить Mdl
от MATLAB® Workspace, и затем передают CMdl
и новые значения предиктора к predict
.
Mdl
— Модель машинного обученияМодель машинного обучения в виде полной регрессии или объекта модели классификации, как дали в следующих таблицах поддерживаемых моделей.
Объект модели регрессии
Модель | Полный объект модели регрессии |
---|---|
Модель Gaussian process regression (GPR) | RegressionGP |
Обобщенная аддитивная модель (GAM) | RegressionGAM |
Модель нейронной сети | RegressionNeuralNetwork |
Объект модели классификации
Модель | Полный объект модели классификации |
---|---|
Обобщенная аддитивная модель | ClassificationGAM |
Наивная модель Bayes | ClassificationNaiveBayes |
Модель нейронной сети | ClassificationNeuralNetwork |
Машина опорных векторов для и бинарной классификации одного класса | ClassificationSVM |
CompactMdl
— Компактная модель машинного обученияКомпактная модель машинного обучения, возвращенная как одна из компактной модели, возражает в следующих таблицах, в зависимости от входной модели Mdl
.
Объект модели регрессии
Модель | Полная модель (Mdl ) | Компактная модель (CompactMdl ) |
---|---|---|
Модель Gaussian process regression (GPR) | RegressionGP | CompactRegressionGP |
Обобщенная аддитивная модель | RegressionGAM | CompactRegressionGAM |
Модель нейронной сети | RegressionNeuralNetwork | CompactRegressionNeuralNetwork |
Объект модели классификации
Модель | Полная модель (Mdl ) | Компактная модель (CompactMdl ) |
---|---|---|
Обобщенная аддитивная модель | ClassificationGAM | CompactClassificationGAM |
Наивная модель Bayes | ClassificationNaiveBayes | CompactClassificationNaiveBayes |
Модель нейронной сети | ClassificationNeuralNetwork | CompactClassificationNeuralNetwork |
Машина опорных векторов для и бинарной классификации одного класса | ClassificationSVM | CompactClassificationSVM |
У вас есть модифицированная версия этого примера. Вы хотите открыть этот пример со своими редактированиями?
1. Если смысл перевода понятен, то лучше оставьте как есть и не придирайтесь к словам, синонимам и тому подобному. О вкусах не спорим.
2. Не дополняйте перевод комментариями “от себя”. В исправлении не должно появляться дополнительных смыслов и комментариев, отсутствующих в оригинале. Такие правки не получится интегрировать в алгоритме автоматического перевода.
3. Сохраняйте структуру оригинального текста - например, не разбивайте одно предложение на два.
4. Не имеет смысла однотипное исправление перевода какого-то термина во всех предложениях. Исправляйте только в одном месте. Когда Вашу правку одобрят, это исправление будет алгоритмически распространено и на другие части документации.
5. По иным вопросам, например если надо исправить заблокированное для перевода слово, обратитесь к редакторам через форму технической поддержки.