这个例子使用了来自UCI机器学习库的鲍鱼数据。下载数据并将其保存在当前目录中“abalone.data”．将数据读入表格．

可读的(“abalone.data”，“文件类型”，“文本”，“ReadVariableNames”、假);rng默认的再现率%

样本数据包含4177个观测值。所有的预测变量都是连续的，除了性，这是一个包含可能值的分类变量“米”(男性)“F”(适用于女性)，以及“我”(婴儿)。目标是通过物理测量来预测鲍鱼身上的环数，从而确定它的年龄。

使用高斯核函数和自动核标度训练SVM回归模型。标准化数据。

MDL = fitrsvm(tbl，“Var9”，“KernelFunction”，“高斯”，“KernelScale”，“汽车”，“标准化”,真正的)

mdl = RegressionSVM PredictorNames: {1x8 cell} ResponseName: 'Var9' CategoricalPredictors: 1 ResponseTransform: 'none' Alpha: [3635x1 double]偏差:10.8144内核参数:[1x1 struct] Mu: [1x10 double] Sigma: [1x10 double] NumObservations: 4177 BoxConstraints: [4177x1 double] ConvergenceInfo: [1x1 struct] IsSupportVector: [4177x1 logical]求解器:'SMO'属性，方法

压缩模型。

compactMdl = compact(mdl)

compactMdl = classreg.learning.regr.CompactRegressionSVM PredictorNames: {1x8 cell} ResponseName: 'Var9'分类预测器:1 ResponseTransform: 'none' Alpha: [3635x1 double]偏差:10.8144内核参数:[1x1 struct] Mu: [1x10 double] Sigma: [1x10 double]支持向量:[3635x10 double]属性，方法

压缩模型丢弃了训练数据和一些与训练过程相关的信息。

比较完整模型的大小mdl以及紧凑的模型compactMdl．

Vars = whoos (“compactMdl”，“mdl”）;(var (1) .bytes一样,var (2) .bytes]

Ans = 323793 775968

压缩模型消耗的内存大约是完整模型的一半。

加载carsmall示例数据。

负载carsmallrng默认的再现率%

训练线性支持向量机回归模型重量作为预测变量和英里/加仑作为响应变量。标准化数据。

mdl = fitrsvm(重量，MPG，“标准化”,真正的);

请注意,英里/加仑包含几个南值。在训练模型时，fitrsvm将删除包含南来自预测器和响应数据的值。因此，训练后的模型仅使用样本数据中包含的100个总观测值中的94个。

压缩回归模型以丢弃训练数据和一些与训练过程相关的信息。

compactMdl = compact(mdl);

compactMdl是一个CompactRegressionSVM具有相同参数、支持向量和相关估计的模型mdl，但不再存储训练数据。

放弃对压缩模型的支持向量和相关估计。

mdlOut = discardSupportVectors(compactMdl);

mdlOut是一个CompactRegressionSVM具有相同参数的模型mdl而且compactMdl，但不再存储支持向量和相关估计。

比较三种SVM回归模型的大小，compactMdl，mdl,mdlOut．

Vars = whoos (“compactMdl”，“mdl”，“mdlOut”）;(var (1) .bytes一样,var (2) .bytes, var (3) .bytes]

Ans = 3601 13727 2305

压缩模型compactMdl消耗3601字节的内存，而完整的模型mdl占用13727字节内存。该模型mdlOut，它也丢弃了支持向量，消耗2305字节的内存。