compact

機械学習モデルのサイズの縮小

構文

CompactMdl = compact(Mdl)

説明

CompactMdl = compact(Mdl) は、コンパクトなモデル (CompactMdl) を返します。これは学習済みの機械学習モデル Mdl のコンパクトなバージョンです。

CompactMdl には学習データが含まれませんが、Mdl では X および Y プロパティに学習データが含まれています。したがって、CompactMdl を使用してクラス ラベルを予測することはできますが、コンパクトなモデルで交差検証などのタスクは実行できません。

例

単純ベイズ分類器のサイズの縮小

学習データを削除することにより、完全な単純ベイズ分類器のサイズを縮小します。完全な単純ベイズ分類器は学習データを保持しています。コンパクトな単純ベイズ分類器を使用すると、メモリ効率を向上させることができます。

ionosphere データ セットを読み込みます。安定させるため、最初の 2 つの予測子を削除します。

load ionosphere
X = X(:,3:end);

予測子 X とクラス ラベル Y を使用して、単純ベイズ分類器に学習させます。クラス名を指定することが推奨されます。fitcnb は、各予測子が条件付き正規分布に従うと仮定しています。

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}

Mdl は学習させた ClassificationNaiveBayes 分類器です。

単純ベイズ分類器のサイズを縮小します。

CMdl = compact(Mdl)

CMdl = 
  CompactClassificationNaiveBayes
              ResponseName: 'Y'
     CategoricalPredictors: []
                ClassNames: {'b'  'g'}
            ScoreTransform: 'none'
         DistributionNames: {1x32 cell}
    DistributionParameters: {2x32 cell}

CMdl は学習させた CompactClassificationNaiveBayes 分類器です。

各分類器が使用するメモリの量を表示します。

whos('Mdl','CMdl')

  Name      Size             Bytes  Class                                                        Attributes

  CMdl      1x1              15229  classreg.learning.classif.CompactClassificationNaiveBayes              
  Mdl       1x1             111359  ClassificationNaiveBayes                                               

完全な単純ベイズ分類器 (Mdl) はコンパクトな単純ベイズ分類器 (CMdl) よりも 7 倍以上サイズが大きくなります。

新しい観測値のラベルを効率的に設定するため、Mdl を MATLAB® ワークスペースから削除し、CMdl と新しい予測子の値をpredictに渡すことができます。

SVM 分類器のサイズの縮小

学習データを削除することにより、完全なサポート ベクター マシン (SVM) 分類器のサイズを縮小します。完全な SVM 分類器 (つまり、ClassificationSVM 分類器) には学習データが格納されます。効率を向上させるため、より小さい分類器を使用します。

ionosphere データ セットを読み込みます。

load ionosphere

SVM 分類器を学習させます。予測子データを標準化し、クラスの順序を指定します。

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: -0.1342
         KernelParameters: [1x1 struct]
                       Mu: [0.8917 0 0.6413 0.0444 0.6011 0.1159 0.5501 0.1194 0.5118 0.1813 0.4762 0.1550 0.4008 0.0934 0.3442 0.0711 0.3819 -0.0036 0.3594 -0.0240 0.3367 0.0083 0.3625 -0.0574 0.3961 -0.0712 0.5416 -0.0695 0.3784 ... ] (1x34 double)
                    Sigma: [0.3112 0 0.4977 0.4414 0.5199 0.4608 0.4927 0.5207 0.5071 0.4839 0.5635 0.4948 0.6222 0.4949 0.6528 0.4584 0.6180 0.4968 0.6263 0.5191 0.6098 0.5182 0.6038 0.5275 0.5785 0.5085 0.5162 0.5500 0.5759 0.5080 ... ] (1x34 double)
           BoxConstraints: [351x1 double]
          ConvergenceInfo: [1x1 struct]
          IsSupportVector: [351x1 logical]
                   Solver: 'SMO'

SVMModel は ClassificationSVM 分類器です。

SVM 分類器のサイズを縮小します。

CompactSVMModel = compact(SVMModel)

CompactSVMModel = 
  CompactClassificationSVM
             ResponseName: 'Y'
    CategoricalPredictors: []
               ClassNames: {'b'  'g'}
           ScoreTransform: 'none'
                    Alpha: [90x1 double]
                     Bias: -0.1342
         KernelParameters: [1x1 struct]
                       Mu: [0.8917 0 0.6413 0.0444 0.6011 0.1159 0.5501 0.1194 0.5118 0.1813 0.4762 0.1550 0.4008 0.0934 0.3442 0.0711 0.3819 -0.0036 0.3594 -0.0240 0.3367 0.0083 0.3625 -0.0574 0.3961 -0.0712 0.5416 -0.0695 0.3784 ... ] (1x34 double)
                    Sigma: [0.3112 0 0.4977 0.4414 0.5199 0.4608 0.4927 0.5207 0.5071 0.4839 0.5635 0.4948 0.6222 0.4949 0.6528 0.4584 0.6180 0.4968 0.6263 0.5191 0.6098 0.5182 0.6038 0.5275 0.5785 0.5085 0.5162 0.5500 0.5759 0.5080 ... ] (1x34 double)
           SupportVectors: [90x34 double]
      SupportVectorLabels: [90x1 double]

CompactSVMModel は CompactClassificationSVM 分類器です。

各分類器が使用するメモリの量を表示します。

whos('SVMModel','CompactSVMModel')

  Name                 Size             Bytes  Class                                                 Attributes

  CompactSVMModel      1x1              31227  classreg.learning.classif.CompactClassificationSVM              
  SVMModel             1x1             141317  ClassificationSVM                                               

完全な SVM 分類器 (SVMModel) はコンパクトな SVM 分類器 (CompactSVMModel) に対して 4 倍以上大きくなっています。

新しい観測値のラベルを効率的に設定するため、SVMModel を MATLAB® ワークスペースから削除し、CompactSVMModel と新しい予測子の値を predict に渡すことができます。

コンパクトな SVM 分類器のサイズをさらに小さくするには、関数discardSupportVectorsを使用してサポート ベクターを破棄します。

一般化加法モデルのサイズの縮小

学習データを削除することにより、回帰用の完全な一般化加法モデル (GAM) のサイズを縮小します。完全なモデルには、学習データが保持されます。コンパクトなモデルを使用すると、メモリ効率を向上させることができます。

carbig データ セットを読み込みます。

load carbig

予測子変数 (X) として Acceleration、Displacement、Horsepower および Weight を、応答変数 (Y) として MPG を指定します。

X = [Acceleration,Displacement,Horsepower,Weight];
Y = MPG;

X と Y を使用して GAM に学習させます。

Mdl = fitrgam(X,Y)

Mdl = 
  RegressionGAM
              ResponseName: 'Y'
     CategoricalPredictors: []
         ResponseTransform: 'none'
                 Intercept: 26.9442
    IsStandardDeviationFit: 0
           NumObservations: 398

Mdl は RegressionGAM モデル オブジェクトです。

モデルのサイズを縮小します。

CMdl = compact(Mdl)

CMdl = 
  CompactRegressionGAM
              ResponseName: 'Y'
     CategoricalPredictors: []
         ResponseTransform: 'none'
                 Intercept: 26.9442
    IsStandardDeviationFit: 0

CMdl は CompactRegressionGAM モデル オブジェクトです。

各回帰モデルが使用するメモリの量を表示します。

whos('Mdl','CMdl')

  Name      Size             Bytes  Class                                          Attributes

  CMdl      1x1             578332  classreg.learning.regr.CompactRegressionGAM              
  Mdl       1x1             612126  RegressionGAM                                            

完全なモデル (Mdl) は、コンパクトなモデル (CMdl) より大きくなります。

新しい観測値の応答を効率的に予測するため、Mdl を MATLAB® ワークスペースから削除し、CMdl と新しい予測子の値を predict に渡すことができます。

入力引数

Mdl — 機械学習モデル

完全な回帰モデル オブジェクト | 完全な分類モデル オブジェクト

機械学習モデル。完全な回帰または分類モデル オブジェクトとして指定します。サポートされるモデルは次の表に記載されています。

回帰モデル オブジェクト

モデル	完全な回帰モデル オブジェクト
ガウス過程回帰 (GPR) モデル	RegressionGP
一般化加法モデル (GAM)	RegressionGAM
ニューラル ネットワーク モデル	RegressionNeuralNetwork

分類モデル オブジェクト

モデル	完全な分類モデル オブジェクト
一般化加法モデル	ClassificationGAM
単純ベイズ モデル	ClassificationNaiveBayes
ニューラル ネットワーク モデル	ClassificationNeuralNetwork
1 クラスおよびバイナリ分類用のサポート ベクター マシン	ClassificationSVM

出力引数

CompactMdl — コンパクトな機械学習モデル

コンパクトな回帰モデル オブジェクト | コンパクトな分類モデル オブジェクト

コンパクトな機械学習モデル。入力モデル Mdl に応じて、次の表のコンパクトなモデル オブジェクトのいずれかとして返されます。

回帰モデル オブジェクト

モデル	完全なモデル (Mdl)	コンパクトなモデル (CompactMdl)
ガウス過程回帰 (GPR) モデル	RegressionGP	CompactRegressionGP
一般化加法モデル	RegressionGAM	CompactRegressionGAM
ニューラル ネットワーク モデル	RegressionNeuralNetwork	CompactRegressionNeuralNetwork

分類モデル オブジェクト

モデル	完全なモデル (Mdl)	コンパクトなモデル (CompactMdl)
一般化加法モデル	ClassificationGAM	CompactClassificationGAM
単純ベイズ モデル	ClassificationNaiveBayes	CompactClassificationNaiveBayes
ニューラル ネットワーク モデル	ClassificationNeuralNetwork	CompactClassificationNeuralNetwork
1 クラスおよびバイナリ分類用のサポート ベクター マシン	ClassificationSVM	CompactClassificationSVM

拡張機能

GPU 配列

Parallel Computing Toolbox™ を使用してグラフィックス処理装置 (GPU) 上で実行することにより、コードを高速化します。

使用上の注意事項および制限事項:

• この関数は、ClassificationSVM オブジェクトとして指定した学習済み分類モデルの GPU 配列を完全にサポートします。

詳細は、GPU での MATLAB 関数の実行 (Parallel Computing Toolbox)を参照してください。

バージョン履歴

R2014a で導入