Класс DreamTree

Суперклассы: CompactClassificationTree

Двоичное дерево решений для многоклассовой классификации

Описание

A ClassificationTree объект представляет дерево решений с двоичными разделениями для классификации. Объект этого класса может прогнозировать ответы для новых данных с помощью predict способ. Объект содержит данные, используемые для обучения, поэтому он также может вычислять прогнозы повторного замещения.

Строительство

Создать ClassificationTree объект с помощью fitctree.

Свойства

`BinEdges`	Ребра ячеек для числовых предикторов, заданные как массив ячеек из p числовых векторов, где p - число предикторов. Каждый вектор включает в себя края ячейки для числового предсказателя. Элемент в массиве ячеек для категориального предиктора пуст, поскольку программное обеспечение не содержит категориальных предикторов. Программа содержит числовые предикторы только при указании `'NumBins'` аргумент «имя-значение» в качестве положительного целого скаляра при обучении модели с учащимися дерева. `BinEdges` пустое свойство, если `'NumBins'` пустое значение (по умолчанию). Можно воспроизвести привязанные данные предиктора `Xbinned` с помощью `BinEdges` свойство обучаемой модели `mdl`. X = mdl.X; % Predictor data Xbinned = zeros(size(X)); edges = mdl.BinEdges; % Find indices of binned predictors. idxNumeric = find(~cellfun(@isempty,edges)); if iscolumn(idxNumeric) idxNumeric = idxNumeric'; end for j = idxNumeric x = X(:,j); % Convert x to array if x is a table. if istable(x) x = table2array(x); end % Group x into bins by using the `discretize` function. xbinned = discretize(x,[-inf; edges{j}; inf]); Xbinned(:,j) = xbinned; end `Xbinned` содержит индексы ячеек в диапазоне от 1 до числа ячеек для числовых предикторов. `Xbinned` значения равны 0 для категориальных предикторов. Если `X` содержит `NaN`s, затем соответствующее `Xbinned` значения `NaN`s.
`CategoricalPredictors`	Индексы категориального предиктора, указанные как вектор положительных целых чисел. `CategoricalPredictors` содержит значения индекса, соответствующие столбцам данных предиктора, которые содержат категориальные предикторы. Если ни один из предикторов не категоричен, то это свойство пустое (`[]`).
`CategoricalSplit`	Массив ячеек n-by-2, где n - число категориальных разбиений в `tree`. Каждая строка в `CategoricalSplits` дает левое и правое значения для категориального разделения. Для каждого узла ветви с категориальным разделением `j` на основе категориальной предикторной переменной `z`, левый нижестоящий элемент выбирается, если `z` находится в `CategoricalSplits(j,1)` и правильный ребенок выбирается, если `z` находится в `CategoricalSplits(j,2)`. Разбиения находятся в том же порядке, что и узлы дерева. Поиск узлов для этих разделений путем выбора `'categorical'` вырезы сверху вниз в `CutType` собственность.
`Children`	Массив n-by-2, содержащий номера дочерних узлов для каждого узла в `tree`, где n - количество узлов. Конечные узлы имеют дочерний узел `0`.
`ClassCount`	Массив классов n-by-k для узлов в `tree`, где n - число узлов, а k - число классов. Для любого номера узла `i`, класс считает `ClassCount(i,:)` являются счетчиками наблюдений (из данных, используемых при подгонке дерева) от каждого класса, удовлетворяющих условиям для узла `i`.
`ClassNames`	Список элементов в `Y` с удаленными дубликатами. `ClassNames` может быть категориальным массивом, массивом ячеек символьных векторов, символьным массивом, логическим вектором или числовым вектором. `ClassNames` имеет тот же тип данных, что и данные в аргументе `Y`. (Программа рассматривает строковые массивы как массивы ячеек символьных векторов.)
`ClassProbability`	Массив вероятностей классов n-by-k для узлов в `tree`, где n - число узлов, а k - число классов. Для любого номера узла `i`, вероятности классов `ClassProbability(i,:)` являются оцененными вероятностями для каждого класса для точки, удовлетворяющей условиям для узла `i`.
`Cost`	Квадратная матрица, где `Cost(i,j)` - стоимость классификации точки по классу `j` если его истинный класс `i` (строки соответствуют истинному классу, а столбцы соответствуют прогнозируемому классу). Порядок строк и столбцов `Cost` соответствует порядку классов в `ClassNames`. Количество строк и столбцов в `Cost` - количество уникальных классов в ответе. Это свойство доступно только для чтения.
`CutCategories`	Массив ячеек n-by-2 категорий, используемых в ветвях в `tree`, где n - количество узлов. Для каждого узла ветви `i` на основе категориальной предикторной переменной `X`, левый нижестоящий элемент выбирается, если `X` входит в число категорий, перечисленных в `CutCategories{i,1}`, и правильный ребенок выбирается, если `X` входит в число перечисленных в `CutCategories{i,2}`. Оба столбца `CutCategories` пусты для узлов ветвей на основе непрерывных предикторов и для конечных узлов. `CutPoint` содержит точки реза для `'continuous'` разрезы, и `CutCategories` содержит набор категорий.
`CutPoint`	Вектор n-элементов значений, используемых в качестве точек реза в `tree`, где n - количество узлов. Для каждого узла ветви `i` на основе переменной непрерывного предиктора `X`, левый нижестоящий элемент выбирается, если `X<CutPoint(i)` и правильный ребенок выбирается, если `X>=CutPoint(i)`. `CutPoint` является `NaN` для узлов ветвей на основе категориальных предикторов и для узлов листьев. `CutPoint` содержит точки реза для `'continuous'` разрезы, и `CutCategories` содержит набор категорий.
`CutType`	Массив ячеек n-элементов, указывающий тип вырезания в каждом узле в `tree`, где n - количество узлов. Для каждого узла `i`, `CutType{i}` является: `'continuous'` - Если вырез определен в форме `X < v` для переменной `X` и точка реза `v`. `'categorical'` - Если вырез определяется тем, является ли переменная `X` принимает значение в наборе категорий. `''` - если `i` является конечным узлом. `CutPoint` содержит точки реза для `'continuous'` разрезы, и `CutCategories` содержит набор категорий.
`CutPredictor`	Массив ячеек n-элементов имен переменных, используемых для ветвления в каждом узле в `tree`, где n - количество узлов. Эти переменные иногда называются переменными разреза. Для конечных узлов `CutPredictor` содержит пустой символьный вектор. `CutPoint` содержит точки реза для `'continuous'` разрезы, и `CutCategories` содержит набор категорий.
`CutPredictorIndex`	Массив n-элементов числовых индексов для переменных, используемых для ветвления в каждом узле в `tree`, где n - количество узлов. Дополнительные сведения см. в разделе `CutPredictor`.
`ExpandedPredictorNames`	Расширенные имена предикторов, хранящиеся в виде клеточного массива символьных векторов. Если модель использует кодировку для категориальных переменных, то `ExpandedPredictorNames` содержит имена, описывающие развернутые переменные. В противном случае `ExpandedPredictorNames` является таким же, как `PredictorNames`.
`HyperparameterOptimizationResults`	Описание оптимизации гиперпараметров с перекрестной проверкой, сохраненное как `BayesianOptimization` объект или таблица гиперпараметров и связанных значений. Непусто, когда `OptimizeHyperparameters` пара имя-значение не является пустой при создании. Значение зависит от настройки `HyperparameterOptimizationOptions` пара имя-значение при создании: `'bayesopt'` (по умолчанию) - объект класса `BayesianOptimization` `'gridsearch'` или `'randomsearch'` - Таблица используемых гиперпараметров, наблюдаемых значений целевой функции (потери перекрестной проверки) и ранга наблюдений от самого низкого (лучший) до самого высокого (худший)
`IsBranchNode`	Логический вектор n-элемента, который является `true` для каждого узла ветви и `false` для каждого конечного узла `tree`.
`ModelParameters`	Параметры, используемые при обучении `tree`. Для отображения всех значений параметров введите `tree.ModelParameters`. Для доступа к определенному параметру используйте точечную нотацию.
`NumObservations`	Количество наблюдений в учебных данных, числовой скаляр. `NumObservations` может быть меньше числа строк входных данных `X` при отсутствии значений в `X` или ответ `Y`.
`NodeClass`	Массив ячеек n-элементов с именами наиболее вероятных классов в каждом узле `tree`, где n - количество узлов в дереве. Каждый элемент этого массива является символьным вектором, равным одному из имен классов в `ClassNames`.
`NodeError`	Вектор n-элементов ошибок узлов в `tree`, где n - количество узлов. `NodeError(i)` - вероятность неправильной классификации для узла `i`.
`NodeProbability`	Вектор n-элементов вероятностей узлов в `tree`, где n - количество узлов. Вероятность узла вычисляется как доля наблюдений из исходных данных, которые удовлетворяют условиям для узла. Эта пропорция корректируется для любых предыдущих вероятностей, присвоенных каждому классу.
`NodeRisk`	Вектор n-элемента риска узлов в дереве, где n - количество узлов. Риск для каждого узла является мерой примеси (индекс Джини или отклонение) для этого узла, взвешенной по вероятности узла. Если дерево выращивается двояко, риск для каждого узла равен нулю.
`NodeSize`	Вектор n-элементов размеров узлов в `tree`, где n - количество узлов. Размер узла определяется как количество наблюдений из данных, используемых для создания дерева, удовлетворяющих условиям для узла.
`NumNodes`	Количество узлов в `tree`.
`Parent`	Вектор n-элемента, содержащий номер родительского узла для каждого узла в `tree`, где n - количество узлов. Родителем корневого узла является `0`.
`PredictorNames`	Массив ячеек символьных векторов, содержащих имена предикторов, в порядке их появления в `X`.
`Prior`	Числовой вектор предшествующих вероятностей для каждого класса. Порядок элементов `Prior` соответствует порядку классов в `ClassNames`. Количество элементов `Prior` - количество уникальных классов в ответе. Это свойство доступно только для чтения.
`PruneAlpha`	Числовой вектор с одним элементом на уровень отсечения. Если уровень отсечения находится в диапазоне от 0 до M, то `PruneAlpha` имеет элементы M + 1, отсортированные по возрастанию. `PruneAlpha(1)` для уровня отсечения 0 (без отсечения), `PruneAlpha(2)` для отсечения уровня 1 и т.д.
`PruneList`	Числовой вектор n-элемента с уровнями отсечения в каждом узле `tree`, где n - количество узлов. Уровни отсечения варьируются от 0 (без отсечения) до M, где M - расстояние между самым глубоким листом и корневым узлом.
`ResponseName`	Символьный вектор, указывающий имя переменной ответа (`Y`).
`RowsUsed`	Логический вектор n-элемента, указывающий, какие строки исходных данных предиктора (`X`) использовались при примерке. Если программное обеспечение использует все строки `X`, то `RowsUsed` является пустым массивом (`[]`).
`ScoreTransform`	Дескриптор функции для преобразования прогнозируемых оценок классификации или символьного вектора, представляющего встроенную функцию преобразования. `none` означает отсутствие преобразования, или `@(x)x`. Чтобы изменить функцию преобразования баллов, например, `function`, используйте точечную нотацию. Доступные функции (см. `fitctree`), введите Mdl.ScoreTransform = 'function'; Можно задать дескриптор функции для доступной функции или определяемой функции путем ввода tree.ScoreTransform = @function;
`SurrogateCutCategories`	Массив ячеек n-элементов категорий, используемых для суррогатных разбиений в `tree`, где n - количество узлов в `tree`. Для каждого узла `k`, `SurrogateCutCategories{k}` является массивом ячеек. Длина `SurrogateCutCategories{k}` равно количеству суррогатных предикторов, найденных в этом узле. Каждый элемент `SurrogateCutCategories{k}` является либо пустым символьным вектором для непрерывного суррогатного предиктора, либо является массивом двухэлементных ячеек с категориями для категориального суррогатного предиктора. Первый элемент этого двухэлементного массива ячеек перечисляет категории, назначенные левому потомку этим суррогатным разделением, а второй элемент этого двухэлементного массива ячеек перечисляет категории, назначенные правому потомку этим суррогатным разделением. Порядок суррогатных разделенных переменных в каждом узле соответствует порядку переменных в `SurrogateCutPredictor`. Переменная оптимального разделения в этом узле не отображается. Для узлов без ответвления (листа), `SurrogateCutCategories` содержит пустую ячейку.
`SurrogateCutFlip`	Массив ячеек n-элементов числовых назначений вырезов, используемых для суррогатных разбиений в `tree`, где n - количество узлов в `tree`. Для каждого узла `k`, `SurrogateCutFlip{k}` - числовой вектор. Длина `SurrogateCutFlip{k}` равно количеству суррогатных предикторов, найденных в этом узле. Каждый элемент `SurrogateCutFlip{k}` является нулем для категориального суррогатного предиктора или числовым присвоением разреза для непрерывного суррогатного предиктора. Числовое назначение реза может быть равно -1 или + 1. Для каждого суррогатного разделения с числовым разрезом C, основанным на переменной непрерывного предиктора Z, выбирается левый потомок, если Z < C и назначение разреза для этого суррогатного разделения равно + 1, или если Z≥C и назначение разреза для этого суррогатного разделения равно -1. Аналогично, правильный нижестоящий элемент выбирается, если Z≥C и назначение вырезания для этого суррогатного разделения равно + 1, или если Z < C и назначение вырезания для этого суррогатного разделения равно -1. Порядок суррогатных разделенных переменных в каждом узле соответствует порядку переменных в`SurrogateCutPredictor`. Переменная оптимального разделения в этом узле не отображается. Для узлов без ответвления (листа), `SurrogateCutFlip` содержит пустой массив.
`SurrogateCutPoint`	Массив ячеек n-элементов числовых значений, используемых для суррогатных разбиений в `tree`, где n - количество узлов в `tree`. Для каждого узла `k`, `SurrogateCutPoint{k}` - числовой вектор. Длина `SurrogateCutPoint{k}` равно количеству суррогатных предикторов, найденных в этом узле. Каждый элемент `SurrogateCutPoint{k}` является либо `NaN` для категориального суррогатного предиктора или числового разреза для непрерывного суррогатного предиктора. Для каждого суррогатного разделения с числовым разрезом C на основе непрерывной прогнозирующей переменной Z выбирается левый нижестоящий элемент, если Z < C и`SurrogateCutFlip` для этого суррогатного разделения + 1, или если Z≥C и`SurrogateCutFlip` для этого суррогатного разделения -1. Аналогично, правильный ребенок выбирается, если Z≥C и `SurrogateCutFlip` для этого суррогатного разделения + 1, или если Z < C и`SurrogateCutFlip` для этого суррогатного разделения -1. Порядок суррогатных разделенных переменных в каждом узле соответствует порядку переменных, возвращаемых `SurrogateCutPredictor`. Переменная оптимального разделения в этом узле не отображается. Для узлов без ответвления (листа), `SurrogateCutPoint` содержит пустую ячейку.
`SurrogateCutType`	Массив ячеек n-элементов, указывающий типы суррогатных разбиений на каждом узле в `tree`, где n - количество узлов в `tree`. Для каждого узла `k`, `SurrogateCutType{k}` является массивом ячеек с типами суррогатных разделенных переменных в этом узле. Переменные сортируются по прогностической мере ассоциации с оптимальным предиктором в порядке убывания, и включаются только переменные с положительной прогностической мерой. Порядок суррогатных разделенных переменных в каждом узле соответствует порядку переменных в `SurrogateCutPredictor`. Переменная оптимального разделения в этом узле не отображается. Для узлов без ответвления (листа), `SurrogateCutType` содержит пустую ячейку. Суррогатный тип разделения может быть `'continuous'` если вырез определен в форме `Z`<`V` для переменной `Z` и точка реза `V` или `'categorical'` если вырез определяется тем, определяется ли `Z` принимает значение в наборе категорий.
`SurrogateCutPredictor`	Массив ячеек n-элементов имен переменных, используемых для суррогатных разбиений в каждом узле в `tree`, где n - количество узлов в `tree`. Каждый элемент `SurrogateCutPredictor` - массив ячеек с именами суррогатных разделенных переменных в этом узле. Переменные сортируются по прогностической мере ассоциации с оптимальным предиктором в порядке убывания, и включаются только переменные с положительной прогностической мерой. Переменная оптимального разделения в этом узле не отображается. Для узлов без ответвления (листа), `SurrogateCutPredictor` содержит пустую ячейку.
`SurrogatePredictorAssociation`	Массив ячеек n-элементов прогностических показателей ассоциации для суррогатных расщеплений в `tree`, где n - количество узлов в `tree`. Для каждого узла `k`, `SurrogatePredictorAssociation{k}` - числовой вектор. Длина `SurrogatePredictorAssociation{k}` равно количеству суррогатных предикторов, найденных в этом узле. Каждый элемент `SurrogatePredictorAssociation{k}` дает прогностическую меру связи между оптимальным разделением и этим суррогатным разделением. Порядок суррогатных разделенных переменных в каждом узле - это порядок переменных в `SurrogateCutPredictor`. Переменная оптимального разделения в этом узле не отображается. Для узлов без ответвления (листа), `SurrogatePredictorAssociation` содержит пустую ячейку.
`W`	Чешуйчатое `weights`, вектор длиной n, число строк в `X`.
`X`	Матрица или таблица предикторных значений. Каждый столбец `X` представляет одну переменную, а каждая строка представляет одно наблюдение.
`Y`	Категориальный массив, массив ячеек символьных векторов, символьный массив, логический вектор или числовой вектор. Каждая строка `Y` представляет классификацию соответствующей строки `X`.

Функции объекта

`compact`	Компактное дерево
`compareHoldout`	Сравнение точности двух классификационных моделей с использованием новых данных
`crossval`	Дерево решений с перекрестной проверкой
`cvloss`	Ошибка классификации по перекрестной проверке
`edge`	Край классификации
`lime`	Локальные интерпретируемые модели-агностические объяснения (LIME)
`loss`	Ошибка классификации
`margin`	Поля классификации
`partialDependence`	Вычислить частичную зависимость
`plotPartialDependence`	Создание графиков частичной зависимости (PDP) и индивидуального условного ожидания (ICE)
`predict`	Прогнозирование меток с помощью дерева классификации
`predictorImportance`	Оценки важности предиктора для дерева классификации
`prune`	Создание последовательности поддеревьев классификации путем обрезки
`resubEdge`	Край классификации путем повторной субституции
`resubLoss`	Ошибка классификации в результате повторного предоставления
`resubMargin`	Классификационные маржи по возврату
`resubPredict`	Прогнозирование меток повторного замещения дерева классификации
`surrogateAssociation`	Средняя прогностическая мера ассоциации для суррогатных расщеплений в дереве классификации
`shapley`	Значения Шапли
`testckfold`	Сравнение точности двух классификационных моделей с помощью повторной перекрестной проверки
`view`	Просмотр дерева классификации

Копирование семантики

Значение. Сведения о том, как классы значений влияют на операции копирования, см. в разделе Копирование объектов.

Примеры

свернуть все

Создание дерева классификации

Открыть сценарий в реальном времени

Вырастите дерево классификации с помощью ionosphere набор данных.

load ionosphere
tc = fitctree(X,Y)

tc = 
  ClassificationTree
             ResponseName: 'Y'
    CategoricalPredictors: []
               ClassNames: {'b'  'g'}
           ScoreTransform: 'none'
          NumObservations: 351


  Properties, Methods

Глубина дерева управления

Открыть сценарий в реальном времени

Можно управлять глубиной деревьев с помощью MaxNumSplits, MinLeafSize, или MinParentSize параметры пары имя-значение. fitctree по умолчанию выращивает глубокие деревья принятия решений. Можно выращивать более мелкие деревья, чтобы уменьшить сложность модели или время вычислений.

Загрузить ionosphere набор данных.

load ionosphere

Значения по умолчанию для контроллеров глубины дерева для выращивания деревьев классификации:

n - 1 для MaxNumSplits. n - размер обучающей выборки.
1 для MinLeafSize.
10 для MinParentSize.

Эти значения по умолчанию имеют тенденцию к росту глубоких деревьев для больших размеров обучающей выборки.

Подготовка дерева классификации с использованием значений по умолчанию для управления глубиной дерева. Перекрестная проверка модели с помощью 10-кратной перекрестной проверки.

rng(1); % For reproducibility
MdlDefault = fitctree(X,Y,'CrossVal','on');

Нарисуйте гистограмму количества наложенных расколов на деревьях. Также просмотрите одно из деревьев.

numBranches = @(x)sum(x.IsBranch);
mdlDefaultNumSplits = cellfun(numBranches, MdlDefault.Trained);

figure;
histogram(mdlDefaultNumSplits)

Figure contains an axes. The axes contains an object of type histogram.

view(MdlDefault.Trained{1},'Mode','graph')

Figure Classification tree viewer contains an axes and other objects of type uimenu, uicontrol. The axes contains 51 objects of type line, text.

Среднее число расщеплений составляет около 15.

Предположим, что требуется дерево классификации, которое не является таким сложным (глубоким), как те, которые обучены с использованием количества разделений по умолчанию. Обучите другое дерево классификации, но установите максимальное количество разбиений на 7, что примерно вдвое меньше среднего числа разбиений в дереве классификации по умолчанию. Перекрестная проверка модели с помощью 10-кратной перекрестной проверки.

Mdl7 = fitctree(X,Y,'MaxNumSplits',7,'CrossVal','on');
view(Mdl7.Trained{1},'Mode','graph')

Figure Classification tree viewer contains an axes and other objects of type uimenu, uicontrol. The axes contains 21 objects of type line, text.

Сравните ошибки классификации перекрестной проверки моделей.

classErrorDefault = kfoldLoss(MdlDefault)

classErrorDefault = 0.1168

classError7 = kfoldLoss(Mdl7)

classError7 = 0.1311

Mdl7 гораздо менее сложна и работает лишь немного хуже, чем MdlDefault.

Подробнее

развернуть все

Примесь и ошибка узла

Дерево решений разбивает узлы на основании либо примеси, либо ошибки узла.

Примесь означает одну из нескольких вещей, в зависимости от вашего выбора SplitCriterion аргумент пары имя-значение:

Индекс разнообразия Джини (gdi) - индекс Джини узла равен
$\underset{}{}^{1−∑ip2} (i$ ),
где сумма превышает классы i в узле, и p (i) - наблюдаемая доля классов с классом i, которые достигают узла. Узел только с одним классом (чистый узел) имеет индекс Джини0; в противном случае индекс Джини является положительным. Таким образом, индекс Джини является мерой примеси узла.
Девианс ('deviance') - Если p (i) определено так же, как для индекса Джини, отклонение узла равно
$\underset{}{} −∑ip (i)_{} log2p ($ i).
Чистый узел имеет отклонение 0; в противном случае отклонение является положительным.
Двоякое правило ('twoing') - Twoing не является мерой чистоты узла, но является другой мерой для решения, как разделить узел. Пусть L (i) обозначает долю членов класса i в левом дочернем узле после разделения, а R (i) обозначает долю членов класса i в правом дочернем узле после разделения. Выберите критерий разделения для максимизации
$P (L) P {(\underset{)}{R} (\sumi'L (i) -}^{} R$ (i) |) 2,
где P (L) и P (R) - доли наблюдений, которые делятся влево и вправо соответственно. Если выражение велико, разделение делает каждый дочерний узел более чистым. Аналогично, если выражение мало, разделение делает каждый дочерний узел похожим друг на друга и, следовательно, похожим на родительский. Разделение не увеличивало чистоту узла.
Ошибка узла - ошибка узла - это доля неправильно классифицированных классов в узле. Если j - класс с наибольшим количеством обучающих выборок в узле, ошибка узла
1 - p (j).

Ссылки

[1] Брейман, Л., Дж. Фридман, Р. Ольшен и К. Стоун. Деревья классификации и регрессии. Бока Ратон, FL: CRC Press, 1984.

Расширенные возможности

Создание кода C/C + +
Создайте код C и C++ с помощью MATLAB ® Coder™

Примечания и ограничения по использованию:

Дополнительные сведения см. в разделе Введение в создание кода.

См. также

Темы

Деревья принятия решений

Представлен в R2011a

Документация

Класс DreamTree

Описание

Строительство

Свойства

Функции объекта

Копирование семантики

Примеры

Создание дерева классификации

Глубина дерева управления

Подробнее

Примесь и ошибка узла

Ссылки

Расширенные возможности

Создание кода C/C + +
Создайте код C и C++ с помощью MATLAB ® Coder™

См. также

Темы

Документация по инструментам для статистического и машинного обучения

Поддержка

Документация

Класс DreamTree

Описание

Строительство

Свойства

Функции объекта

Копирование семантики

Примеры

Создание дерева классификации

Глубина дерева управления

Подробнее

Примесь и ошибка узла

Ссылки

Расширенные возможности

Создание кода C/C + + Создайте код C и C++ с помощью MATLAB ® Coder™

См. также

Темы

Документация по инструментам для статистического и машинного обучения

Поддержка

Создание кода C/C + +
Создайте код C и C++ с помощью MATLAB ® Coder™