主要内容

收集

收集属性统计和机器学习工具箱来自GPU的对象

折叠所有页面

    语法

    gtheredobj = gather(obj)
    [gatheredObj1, gatheredObj2,…，gatheredObjn] =收集(其中obj1 methoda,…,objn）

    描述

    例子

    gatheredObj=收集(obj）收集输入对象的所有属性obj并返回收集的对象gatheredObj．输出对象的所有属性都存储在本地工作区中。

    使用收集创建一个统计和机器学习工具箱™对象，其属性存储在本地工作区中，对象使用存储为GPU数组的数据进行拟合。有关GPU阵列的详细信息，请参见gpuArray(并行计算工具箱)．使用GPU需要并行计算工具箱™和受支持的GPU设备。有关受支持设备的信息，请参见GPU计算要求(并行计算工具箱)．

    例子

    [gatheredObj1, gatheredObj2,…，gatheredObjn] =收集(obj1，obj2……objn)收集多个对象的属性其中obj1 methoda,…,objn并返回相应的聚集对象gatheredObj1 gatheredObj2,…,gatheredObjn．输入参数和输出参数的数量必须匹配。

    例子

    全部折叠

    这个例子使用了:

    打开实时脚本

    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

    这个例子使用了:

    打开实时脚本

    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

    全部折叠

    对象的图形处理器阵列或gpuArray对象，指定为回归模型对象、分类模型对象、概率分布对象、cvpartition对象,或gpuArray(并行计算工具箱)对象。一个gpuArray对象表示存储在GPU上的数组。

    控件支持的“统计和机器学习工具箱”对象的详细信息收集,请参阅支持的回归模型，支持的分类模型,支持的概率分布对象．

    更多关于

    全部折叠

    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

    版本历史

    R2020b中介绍

    另请参阅

    (并行计算工具箱)|(并行计算工具箱)||||||||

    主题

    Baidu
    map