收集
收集属性统计和机器学习工具箱来自GPU的对象
描述
例子
线性回归模型的集合性质
收集与GPU阵列数据拟合的线性回归模型的属性。
加载carsmall
数据集。创建X
作为一个包含三个汽车性能指标的数字矩阵。创建Y
作为一个数字向量,包含每加仑相应的英里数。
负载carsmallX =[重量,马力,加速度];Y = mpg;
转换预测器X
和响应Y
来gpuArray
(并行计算工具箱)对象。
X = gpuArray(X);Y = gpuArray(Y);
拟合线性回归模型mdl
通过使用fitlm
.
mdl = fitlm(X,Y);
显示的系数mdl
判断估计的系数值是否为GPU阵列。
mdl。系数
ans =4×4表估计SE tStat pValue __________ _________ _________ __________(拦截)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 =逻辑1
收集线性回归模型的属性。
gatheredMdl = gather(mdl);
显示的系数gatheredMdl
判断估计的系数值是否为GPU阵列。
gatheredMdl。系数
ans =4×4表估计SE tStat pValue __________ _________ _________ __________(拦截)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 =逻辑0
收集多个模型的属性
收集一个线性回归模型的性质和一个k-最近邻分类器。两种模型都使用GPU阵列数据进行拟合。
加载carsmall
数据集。创建X
作为一个包含三个汽车性能指标的数字矩阵,并转换预测器X
到一个gpuArray
对象。
负载carsmallX =[重量,马力,加速度];X = gpuArray(X);
拟合的线性回归模型英里/加仑
(每加仑英里数)作为预测器的函数X
.
mdlLinear = fitlm(X,MPG);
使用预测器训练一个3-最近邻分类器X
还有课程气缸
.标准化非分类预测数据。
mdlKNN = fitcknn(X,圆柱,“NumNeighbors”3,“标准化”1);
属性的属性mdLinear
而且mdlKNN
模型。
[gMdlLinear,gMdlKNN] = gather(mdlLinear,mdlKNN);
确定是否p-value为回归模型的Durbin-Watson检验值mdlLinear
是一个GPU阵列。
isgpuarray (dwt (mdlLinear))
ans =逻辑1
确定是否p-value为集合回归模型的Durbin-Watson检验值gMdlLinear
是一个GPU阵列。
isgpuarray (dwt (gMdlLinear))
ans =逻辑0
判断分类器是否重置换损失mdlKNN
是一个GPU阵列。
isgpuarray (resubLoss (mdlKNN))
ans =逻辑1
判断所收集的分类器是否重置换损失gMdlKNN
是一个GPU阵列。
isgpuarray (resubLoss (gMdlKNN))
ans =逻辑1
输入参数
更多关于
支持的回归模型
的收集
函数可以收集以下回归模型对象的属性。
模型类型 | 完整或紧凑模型对象 | 模型创建函数 |
---|---|---|
用于回归的学习器集合 | RegressionEnsemble ,CompactRegressionEnsemble ,或RegressionBaggedEnsemble |
fitrensemble 或RegressionEnsemble 目标函数紧凑的 |
全广义线性回归模型 | GeneralizedLinearModel 或CompactGeneralizedLinearModel |
fitglm 或GeneralizedLinearModel 目标函数紧凑的 |
全线性回归模型 | LinearModel 或CompactLinearModel |
fitlm 或LinearModel 目标函数紧凑的 |
回归树模型 | RegressionTree 或CompactRegressionTree |
fitrtree 或RegressionTree 目标函数紧凑的 |
交叉验证回归集成 | RegressionPartitionedEnsemble |
fitrensemble |
交叉验证回归模型 | RegressionPartitionedModel |
fitrtree |
如果你想创建一个适合GPU阵列的紧凑模型,输入参数mdl
的紧凑的
必须是一个符合GPU数组输入参数的完整模型对象。
支持的分类模型
的收集
函数可以收集以下分类模型对象的属性。
模型类型 | 完整或紧凑模型对象 | 模型创建函数 |
---|---|---|
支持向量机或其他分类器的多类模型 | ClassificationECOC 或CompactClassificationECOC |
fitcecoc 或ClassificationECOC 目标函数紧凑的 |
分类的学习器集合 | ClassificationEnsemble ,CompactClassificationEnsemble ,或ClassificationBaggedEnsemble |
fitcensemble 或ClassificationEnsemble 目标函数紧凑的 |
k-最近邻分类器 | ClassificationKNN |
fitcknn |
支持向量机(SVM)分类器 | ClassificationSVM 或CompactClassificationSVM |
fitcsvm 或ClassificationSVM 目标函数紧凑的 |
用于多类分类的二叉决策树 | ClassificationTree 或CompactClassificationTree |
fitctree 或ClassificationTree 目标函数紧凑的 |
交叉验证ECOC模型 | ClassificationPartitionedECOC |
fitcecoc |
交叉验证分类集成 | ClassificationPartitionedEnsemble |
fitcensemble |
交叉验证分类模型 | ClassificationPartitionedModel |
fitcknn ,fitcsvm ,或fitctree |
如果你想创建一个适合GPU阵列的紧凑模型,输入参数mdl
的紧凑的
必须是一个符合GPU数组输入参数的完整模型对象。
支持的概率分布对象
的收集
函数可以集合下列概率分布对象的属性。
概率分布 | 概率分布对象 | 创建对象命令功能 |
---|---|---|
贝塔分布 | BetaDistribution |
fitdist 与distname 指定为“β” |
二项分布 | BinomialDistribution |
fitdist 与distname 指定为“二” |
Birnbaum-Saunders分布 | BirnbaumSaundersDistribution |
fitdist 与distname 指定为“BirnbaumSaunders” |
毛刺分布 | BurrDistribution |
fitdist 与distname 指定为“毛刺” |
指数分布 | ExponentialDistribution |
fitdist 与distname 指定为“指数” |
极值分布 | ExtremeValueDistribution |
fitdist 与distname 指定为“ExtremeValue” |
伽马分布 | GammaDistribution |
fitdist 与distname 指定为“伽马” |
广义极值分布 | GeneralizedExtremeValueDistribution |
fitdist 与distname 指定为“GeneralizedExtremeValue” |
广义帕累托分布 | GeneralizedParetoDistribution |
fitdist 与distname 指定为“GeneralizedPareto” |
Half-normal分布 | HalfNormalDistribution |
fitdist 与distname 指定为“HalfNormal” |
逆高斯分布 | InverseGaussianDistribution |
fitdist 与distname 指定为“InverseGaussian” |
内核分配 | KernelDistribution |
fitdist 与distname 指定为“内核” |
物流配送 | LogisticDistribution |
fitdist 与distname 指定为“物流” |
Loglogistic分布 | LoglogisticDistribution |
fitdist 与distname 指定为“Loglogistic” |
对数正态分布 | LognormalDistribution |
fitdist 与distname 指定为对数正态的 |
Nakagami分布 | NakagamiDistribution |
fitdist 与distname 指定为“Nakagami” |
负二项分布 | NegativeBinomialDistribution |
fitdist 与distname 指定为“NegativeBinomial” |
正态分布 | NormalDistribution |
fitdist 与distname 指定为“正常” |
泊松分布 | PoissonDistribution |
fitdist 与distname 指定为“泊松” |
瑞利分布 | RayleighDistribution |
fitdist 与distname 指定为“瑞利” |
tLocation-Scale分布 | tLocationScaleDistribution |
fitdist 与distname 指定为“tLocationScale” |
威布尔分布 | WeibullDistribution |
fitdist 与distname 指定为“威布尔” |
提示
收集GPU数组的成本很高,通常没有必要,除非您需要将结果用于不支持GPU数组的函数。有关接受GPU阵列的统计和机器学习工具箱函数的完整列表,请参见功能列表(GPU阵列).
你也可以打电话
收集
在其他数据类型上,例如分布式、共分布式或高数组。如果数据类型不支持收集,则收集
没有效果。
扩展功能
高大的数组
使用行数超过内存容量的数组进行计算。
GPU数组
通过使用并行计算工具箱™在图形处理单元(GPU)上运行来加速代码。
本功能完全支持GPU阵列。有关更多信息,请参见在图形处理器上运行MATLAB函数(并行计算工具箱).
版本历史
R2020b中介绍
MATLAB命令
你点击了一个对应于这个MATLAB命令的链接:
在MATLAB命令窗口中输入该命令来运行该命令。Web浏览器不支持MATLAB命令。
您也可以从以下列表中选择一个网站:
如何获得最佳的网站性能
选择中国站点(中文或英文)以获得最佳站点性能。其他MathWorks国家站点没有针对您所在位置的访问进行优化。