Соберите свойства модели линейной регрессии, подбиравшей с данными массива графического процессора.

Загрузите carsmall набор данных. Создайте X как числовая матрица, которая содержит три автомобильных показателя производительности. Создайте Y как числовой вектор, который содержит соответствующие мили на галлон.

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

Преобразуйте предиктор X и ответ Y к gpuArray (Parallel Computing Toolbox) объекты.

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

Соответствуйте модели mdl линейной регрессии при помощи fitlm.

mdl = fitlm(X,Y);

Отобразите коэффициенты mdl и определите, являются ли предполагаемые содействующие значения массивами графического процессора.

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 модели линейной регрессии.

gatheredMdl = gather(mdl);

Отобразите коэффициенты gatheredMdl и определите, являются ли предполагаемые содействующие значения массивами графического процессора.

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 модели линейной регрессии и классификатора k - ближайших соседей. Обе модели подбираются с помощью данных массива графического процессора.

Загрузите carsmall набор данных. Создайте X как числовая матрица, которая содержит три автомобильных показателя производительности и преобразует предиктор X к gpuArray объект.

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

Подбирайте модель линейной регрессии MPG (мили на галлон) в зависимости от предиктора X.

mdlLinear = fitlm(X,MPG);

Обучите 3-самый близкий соседний классификатор с помощью предиктора X и классы Cylinders. Стандартизируйте некатегориальные данные о предикторе.

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

Соберите свойства mdLinear и mdlKNN модели.

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

Определите, тестирует ли p-значение Дербин-Уотсона на модель mdlLinear регрессии массив графического процессора.

isgpuarray(dwtest(mdlLinear))

ans = logical
   1

Определите, тестирует ли p-значение Дербин-Уотсона на собранную модель gMdlLinear регрессии массив графического процессора.

isgpuarray(dwtest(gMdlLinear))

ans = logical
   0

Определите ли потеря перезамены классификатора mdlKNN массив графического процессора.

isgpuarray(resubLoss(mdlKNN))

ans = logical
   1

Определите ли потеря перезамены собранного классификатора gMdlKNN массив графического процессора.

isgpuarray(resubLoss(gMdlKNN))

ans = logical
   1