ClassificationTree class

Суперклассы: CompactClassificationTree

Двоичное дерево принятия решений для многоклассовой классификации

Описание

A ClassificationTree объект представляет дерево решений с двоичными разделениями для классификации. Объект этого класса может предсказать ответы для новых данных, используя predict способ. Объект содержит данные, используемые для обучения, поэтому он также может вычислить предсказания реституции.

Конструкция

Создайте ClassificationTree объект при помощи fitctree.

Свойства

`BinEdges`	Границы интервала для числовых предикторов, заданные как массив ячеек из p числовых векторов, где p - количество предикторов. Каждый вектор включает границы интервала для числового предиктора. Элемент в массиве ячеек для категориального предиктора пуст, потому что программное обеспечение не встраивает категориальные предикторы. Программное обеспечение помещает числовые предикторы только, если вы задаете `'NumBins'` аргумент имя-значение как положительный целочисленный скаляр при обучении модели с учениками дерева. The `BinEdges` свойство пустое, если `'NumBins'` значение пустое (по умолчанию). Можно воспроизвести привязанные данные предиктора `Xbinned` при помощи `BinEdges` свойство обученной 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 интервала в диапазоне от 1 до количества интервалов для числовых предикторов. `Xbinned` значения 0 для категориальных предикторов. Если `X` содержит `NaN`s, затем соответствующее `Xbinned` значения `NaN`с.
`CategoricalPredictors`	Категориальные индексы предиктора, заданные как вектор положительных целых чисел. `CategoricalPredictors` содержит значения индекса, соответствующие столбцам данных предиктора, которые содержат категориальные предикторы. Если ни один из предикторов не является категориальным, то это свойство пустое (`[]`).
`CategoricalSplit`	Массив ячеек n -by-2, где n количество категориальных разделений в `tree`. Каждая строка в `CategoricalSplits` задает левое и правое значения для категориального разделения. Для каждого узла ветви с категориальным разделением `j` основанный на категориальной переменной предиктора `z`, левый дочерний элемент выбирается, если `z` находится в `CategoricalSplits(j,1)` и правильный ребенок выбирается, если `z` находится в `CategoricalSplits(j,2)`. Разделения находятся в том же порядке, что и узлы дерева. Найдите узлы для этих разделений путем выбора `'categorical'` вырезы сверху вниз в `CutType` свойство.
`Children`	Массив n -by-2, содержащий номера дочерних узлов для каждого узла в `tree`, где n является числом узлов. Конечные узлы имеют дочерний узел `0`.
`ClassCount`	n -by k массив отсчётов классов для узлов `в tree`, где n - число узлов, а k - количество классов. Для любого номера узла `i`, класс отсчитывает `ClassCount(i,:)` являются счетчиками наблюдений (из данных, используемых при подборе кривой дерева) от каждого класса, удовлетворяющих условиям для узла `i`.
`ClassNames`	Список элементов в `Y` с удаленными дубликатами. `ClassNames` может быть категориальным массивом, массивом ячеек из векторов символов, символьным массивом, логическим вектором или числовым вектором. `ClassNames` имеет тот совпадающий тип данных, что и данные в аргументе `Y`. (Программа обрабатывает массивы строк как массивы ячеек векторов символов.)
`ClassProbability`	n -by k массив вероятностей классов для узлов `в tree`, где n - число узлов, а k - количество 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 в класс `j` если его класс true `i` (строки соответствуют истинному классу, а столбцы - предсказанному 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 является числом узлов. Для каждого узла ветви `i` основанный на категориальной переменной предиктора `X`, левый дочерний 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 ветви, основанных на непрерывных предикторах, и для узлов листа. `CutPoint` содержит точки разреза для `'continuous'` вырезы, и `CutCategories` содержит набор категорий.
`CutPoint`	Вектор- n значений, используемых в качестве точек разреза в `tree`, где n является числом узлов. Для каждого узла ветви `i` на основе непрерывной переменной предиктора `X`, левый дочерний элемент выбирается, если `X<CutPoint(i)` и правильный ребенок выбирается, если `X>=CutPoint(i)`. `CutPoint` является `NaN` для узлов ветви, основанных на категориальных предикторах, и для узлов листа. `CutPoint` содержит точки разреза для `'continuous'` вырезы, и `CutCategories` содержит набор категорий.
`CutType`	Массив ячеек n-element, указывающий тип выреза в каждом узле в `tree`, где n является числом узлов. Для каждого узла `i`, `CutType{i}` является: `'continuous'` - Если вырез определен в форме `X < v` для переменной `X` и точки разреза `v`. `'categorical'` - Если вырез задан как переменная `X` принимает значение в наборе категорий. `''` - Если `i` является листовым узлом. `CutPoint` содержит точки разреза для `'continuous'` вырезы, и `CutCategories` содержит набор категорий.
`CutPredictor`	Массив ячеек n-element из имен переменных, используемых для ответвления в каждом узле в `tree`, где n является числом узлов. Эти переменные иногда известны как переменные разреза. Для листовых узлов, `CutPredictor` содержит пустой символьный вектор. `CutPoint` содержит точки разреза для `'continuous'` вырезы, и `CutCategories` содержит набор категорий.
`CutPredictorIndex`	Массив n-element из числовых индексов для переменных, используемых для ответвления в каждом узле в `tree`, где n является числом узлов. Для получения дополнительной информации смотрите `CutPredictor`.
`ExpandedPredictorNames`	Расширенные имена предикторов, сохраненные как массив ячеек из векторов символов. Если модель использует кодировку для категориальных переменных, то `ExpandedPredictorNames` включает имена, которые описывают расширенные переменные. В противном случае `ExpandedPredictorNames` то же, что и `PredictorNames`.
`HyperparameterOptimizationResults`	Описание оптимизации гиперпараметров перекрестной валидации, сохраненное как `BayesianOptimization` объект или таблица гиперпараметров и связанных значений. Непусто, когда `OptimizeHyperparameters` Пара "имя-значение" не пуста 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 валидации) и ранг наблюдений от самого низкого (лучшего) до самого высокого (худшего)
`IsBranchNode`	Логический вектор n -элемент, который `true` для каждого узла ветви и `false` для каждого листового узла `tree`.
`ModelParameters`	Параметры, используемые в обучающих `tree`. Чтобы отобразить все значения параметров, введите `tree.ModelParameters`. Для доступа к конкретному параметру используйте запись через точку.
`NumObservations`	Количество наблюдений в обучающих данных, числовой скаляр. `NumObservations` может быть меньше, чем количество строк входных данных `X` когда есть отсутствующие значения в `X` или ответ `Y`.
`NodeClass`	Массив ячеек n-element с именами наиболее вероятных классов в каждом узле `tree`, где n - число узлов в дереве. Каждый элемент этого массива является вектором символов, равным одному из имен классов в `ClassNames`.
`NodeError`	Вектор- n ошибок узлов в `tree`, где n является числом узлов. `NodeError(i)` - вероятность неправильной классификации для узла `i`.
`NodeProbability`	Вектор n-элемента вероятностей узлов в `tree`, где n является числом 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-element 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 двумя узлами, риск для каждого узла равен нулю.
`NodeSize`	Вектор- n размеров узлов в `tree`, где n является числом узлов. Размер узла определяется как количество наблюдений из данных, используемых для создания дерева, которые удовлетворяют условиям для узла.
`NumNodes`	Число узлов в `tree`.
`Parent`	Вектор n-element, содержащий номер родительского узла для каждого узла в `tree`, где n является числом узлов. Родительский элемент корневого узла `0`.
`PredictorNames`	Массивы ячеек из символьных векторов, содержащие имена предикторов, в том порядке, в котором они появляются `X`.
`Prior`	Числовой вектор априорных 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 обрезки. Если уровень обрезки колеблется от 0 до M, то `PruneAlpha` имеет M + 1 элементов, отсортированных в порядке возрастания. `PruneAlpha(1)` для уровня обрезки 0 (без обрезки), `PruneAlpha(2)` для уровня обрезки 1 и так далее.
`PruneList`	Числовой вектор n-элемента с уровнями обрезки в каждом узле `tree`, где n является числом узлов. Уровни обрезки варьируются от 0 (без обрезки) до M, где M расстояние между самым глубоким листом и корневым узлом.
`ResponseName`	Вектор символов, который задает имя переменной отклика (`Y`).
`RowsUsed`	Логический вектор n-element, указывающий, какие строки исходных данных предиктора `(X`) использовались в подборе кривой. Если программное обеспечение использует все строки `X`, затем `RowsUsed` - пустой массив (`[]`).
`ScoreTransform`	Указатель на функцию для преобразования предсказанных классификационных оценок или вектор символов, представляющий встроенную функцию преобразования. `none` означает отсутствие преобразования или `@(x)x`. Чтобы изменить функцию преобразования счета на, например, `function`, используйте запись через точку. Для доступных функций (см. `fitctree`), введите Mdl.ScoreTransform = 'function'; Можно задать указатель на функцию для доступной функции или функцию, которую вы сами задаете, вводя tree.ScoreTransform = @function;
`SurrogateCutCategories`	Массив ячеек n-element категорий, используемых для суррогатных расщеплений в `tree`, где n числа узлов в `tree`. Для каждого узла `k`, `SurrogateCutCategories{k}` - массив ячеек. Длина `SurrogateCutCategories{k}` равен количеству суррогатных предикторов, найденных в этом узле. Каждый элемент `SurrogateCutCategories{k}` является либо пустым символьным вектором для непрерывного суррогатного предиктора, либо представляет собой двухэлементный массив ячеек с категориями для категориального суррогатного предиктора. Первый элемент этого двухэлементного массива ячеек приводит категории, присвоенные левому дочернему элементу этим суррогатным разделением, а второй элемент этого двухэлементного массива ячеек - категории, присвоенные правому дочернему элементу этим суррогатным разделением. Порядок суррогатных разделенных переменных в каждом узле согласован с порядком переменных в `SurrogateCutPredictor`. Переменная оптимального разделения в этом узле не отображается. Для небранчевых (листовых) узлов, `SurrogateCutCategories` содержит пустую камеру.
`SurrogateCutFlip`	Массив ячеек n-element из числовых назначений вырезов, используемых для суррогатных разделений в `tree`, где n числа узлов в `tree`. Для каждого узла `k`, `SurrogateCutFlip{k}` является числовым вектором. Длина `SurrogateCutFlip{k}` равен количеству суррогатных предикторов, найденных в этом узле. Каждый элемент `SurrogateCutFlip{k}` является либо нулем для категориального суррогатного предиктора, либо числовым разрезом для непрерывного суррогатного предиктора. Числовое назначение выреза может быть либо -1, либо + 1. Для каждого суррогатного разделения с числовым C разреза, основанным на непрерывном Z переменной предиктора, левый дочерний элемент выбирается, если Z < C, и назначение разреза для этого суррогатного разделения составляет + 1, или если Z ≥ C и назначение разреза для этого суррогатного разделения составляет -1. Точно так же выбирается правый дочерний элемент, если Z ≥ C и назначение выреза для этого суррогатного разделения - + 1, или если Z < C, и назначение выреза для этого суррогатного разделения - -1. Порядок суррогатных разделенных переменных в каждом узле согласован с порядком `переменных в SurrogateCutPredictor`. Переменная оптимального разделения в этом узле не отображается. Для небранчевых (листовых) узлов, `SurrogateCutFlip` содержит пустой массив.
`SurrogateCutPoint`	Массив ячеек n-element из числовых значений, используемых для суррогатных разделений в `tree`, где n числа узлов в `tree`. Для каждого узла `k`, `SurrogateCutPoint{k}` является числовым вектором. Длина `SurrogateCutPoint{k}` равен количеству суррогатных предикторов, найденных в этом узле. Каждый элемент `SurrogateCutPoint{k}` является либо `NaN` для категориального суррогатного предиктора или числового выреза для непрерывного суррогатного предиктора. Для каждого суррогатного разделения с числовым C разреза, основанным на непрерывной переменной предиктора Z, левый дочерний элемент выбирается, если Z < C `и SurrogateCutFlip` поскольку это суррогатное разделение +1, или если <reservedrangesplaceholder2> <reservedrangesplaceholder1> `и SurrogateCutFlip` для этого суррогатного разделения -1. Точно так же правильный ребенок выбран если <reservedrangesplaceholder2> <reservedrangesplaceholder1> `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 согласован с порядком переменных, возвращаемых `SurrogateCutPredictor`. Переменная оптимального разделения в этом узле не отображается. Для небранчевых (листовых) узлов, `SurrogateCutPoint` содержит пустую камеру.
`SurrogateCutType`	Массив ячеек n-element, указывающий типы суррогатных разделений в каждом узле в `tree`, где n числа узлов в `tree`. Для каждого узла `k`, `SurrogateCutType{k}` - массив ячеек с типами суррогатных разделенных переменных в этом узле. Переменные сортируются по прогнозирующей мере ассоциации с оптимальным предиктором в порядке убывания, и включаются только переменные с положительной прогнозирующей мерой. Порядок суррогатных разделенных переменных в каждом узле согласован с порядком переменных в `SurrogateCutPredictor`. Переменная оптимального разделения в этом узле не отображается. Для небранчевых (листовых) узлов, `SurrogateCutType` содержит пустую камеру. Суррогатный тип разделения может быть либо `'continuous'` если вырез определен в форме `Z`<`V` для переменной `Z` и точки разреза `V` или `'categorical'` если вырез задан тем, `Z` принимает значение в наборе категорий.
`SurrogateCutPredictor`	Массив ячеек n-element из имен переменных, используемых для суррогатных разделений в каждом узле в `tree`, где n числа узлов в `tree`. Каждый элемент `SurrogateCutPredictor` - массив ячеек с именами суррогатных разделенных переменных в этом узле. Переменные сортируются по прогнозирующей мере ассоциации с оптимальным предиктором в порядке убывания, и включаются только переменные с положительной прогнозирующей мерой. Переменная оптимального разделения в этом узле не отображается. Для небранчевых (листовых) узлов, `SurrogateCutPredictor` содержит пустую камеру.
`SurrogatePredictorAssociation`	Массив n-элементных клеток прогнозирующих мер ассоциации для суррогатных расщеплений у `tree`, где n числа узлов в `tree`. Для каждого узла `k`, `SurrogatePredictorAssociation{k}` является числовым вектором. Длина `SurrogatePredictorAssociation{k}` равен количеству суррогатных предикторов, найденных в этом узле. Каждый элемент `SurrogatePredictorAssociation{k}` дает прогнозирующую меру связи между оптимальным разделением и этим суррогатным разделением. Порядок суррогатных разделенных переменных в каждом узле является порядком переменных в `SurrogateCutPredictor`. Переменная оптимального разделения в этом узле не отображается. Для небранчевых (листовых) узлов, `SurrogatePredictorAssociation` содержит пустую камеру.
`W`	Масштабированный `weights`, вектор с n длины, количеством строк в `X`.
`X`	Матрица или таблица значений предиктора. Каждый столбец `X` представляет одну переменную, и каждая строка представляет одно наблюдение.
`Y`	Категориальный массив, массив ячеек из символьных векторов, символьного массива, логического вектора или числового вектора. Каждая строка `Y` представляет классификацию соответствующей строки `X`.

Функции объекта

`compact`	Компактное дерево
`compareHoldout`	Сравните точности двух классификационных моделей с помощью новых данных
`crossval`	Перекрестная проверка дерева решений
`cvloss`	Ошибка классификации путем перекрестной валидации
`edge`	Классификационное ребро
`lime`	Локальные интерпретируемые модели-агностические объяснения (LIME)
`loss`	Ошибка классификации
`margin`	Классификационные поля
`partialDependence`	Вычисление частичной зависимости
`plotPartialDependence`	Создайте график частичной зависимости (PDP) и отдельные графики условного ожидания (ICE)
`predict`	Спрогнозируйте метки с помощью дерева классификации
`predictorImportance`	Оценки предикторной важности для дерева классификации
`prune`	Произведите последовательность классификационных подтеревов путем обрезки
`resubEdge`	Классификационное ребро путем реподституции
`resubLoss`	Ошибка классификации путем реподституции
`resubMargin`	Классификационные погрешности путем реподституции
`resubPredict`	Предсказание меток реституции классификационного дерева
`surrogateAssociation`	Средняя прогнозирующая мера ассоциации для суррогатных расщеплений в классификационном дереве
`shapley`	Значения Shapley
`testckfold`	Сравните точности двух классификационных моделей путем повторной перекрестной валидации
`view`	Просмотрите дерево классификации

Копировать семантику

Значение. Чтобы узнать, как классы значений влияют на операции копирования, см. раздел «Копирование объектов».

Примеры

свернуть все

Создайте дерево классификации

Открыть Live Script

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 Live Script

Вы можете управлять глубиной деревьев, используя MaxNumSplits, MinLeafSize, или MinParentSize пары "имя-значение". fitctree по умолчанию выращивает глубокие деревья решений. Можно выращивать более мелкие деревья, чтобы уменьшить сложность модели или время расчетов.

Загрузите ionosphere набор данных.

load ionosphere

Значения по умолчанию для древовидных контроллеров глубины для растущих деревьев классификации:

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

Эти значения по умолчанию, как правило, растут глубокие деревья для больших размеров обучающих выборок.

Обучите классификационное дерево с помощью значений по умолчанию для управления глубиной дерева. Перекрестная валидация модели с помощью 10-кратной перекрестной валидации.

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

Нарисуйте гистограмму количества наложенных разделений на деревья. 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 количество расщеплений составляет около 15.

Предположим, что вам нужно дерево классификации, которое не является таким комплексным (глубоким), как те, которые обучены с использованием количества разделений по умолчанию. Обучите другое дерево классификации, но установите максимальное количество разделений равным 7, что составляет примерно половину среднего количества разделений из дерева классификации по умолчанию. Перекрестная валидация модели с помощью 10-кратной перекрестной валидации.

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 валидации моделей.

classErrorDefault = kfoldLoss(MdlDefault)

classErrorDefault = 0.1168

classError7 = kfoldLoss(Mdl7)

classError7 = 0.1311

Mdl7 намного менее сложен и выполняет лишь немного хуже MdlDefault.

Подробнее о

расширить все

Примеси и ошибка узла

Дерево решений разделяет узлы на основе impurity или node error.

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

Индекс разнообразия Джини (gdi) - Индекс Джини узла:
$1 - \sum_{i} p^{2} (i),$
где сумма по классам, i в узле, и p (i) является наблюдаемой долей классов с i классов, которые достигают узла. Узел только с одним классом (узел pure) имеет индекс Джини 0; в противном случае индекс Джини положителен. Так что индекс Джини является мерой узла примеси.
Отклонение ('deviance') - С p (i), заданными так же, как для индекса Джини, отклонение узла является
$- \sum_{i} p (i) \log_{2} p (i) .$
Чистый узел имеет отклонение 0; в противном случае отклонение положительное.
Правило Twoing ('twoing') - Twoing не является мерой чистоты узла, но является другой мерой для принятия решения о том, как разделить узел. Пусть L (i) обозначает долю представителей класса, i в левом дочернем узле после разделения, а R (i) обозначает долю представителей класса, i в правом дочернем узле после разделения. Выберите критерий разделения для максимизации
$P (L) P (R) {(\sum_{i} | L (i) - R (i) |)}^{2},$
где P (L) и P (R) являются частями наблюдений, которые разделяются налево и вправо соответственно. Если выражение большое, разделение сделало каждый дочерний узел более чистым. Точно так же, если выражение маленькое, разделение сделало каждый дочерний узел похожим друг на друга, и, следовательно, подобным родительскому узлу. Разделение не увеличило чистоту узла.
Ошибка узла - ошибка узла - это часть неправильно классифицированных классов в узле. Если j является классом с наибольшим количеством обучающих выборок в узле, ошибка узла
1 – p (<reservedrangesplaceholder0>).

Ссылки

[1] Breiman, L., J. Friedman, R. Olshen, and C. Stone. Деревья классификации и регрессии. Бока Ратон, FL: CRC Press, 1984.

Расширенные возможности

Генерация кода C/C + +
Сгенерируйте код C и C++ с помощью Coder™ MATLAB ®

Указания и ограничения по применению:

Для получения дополнительной информации смотрите Введение в генерацию кода.

См. также

Документация

ClassificationTree class

Описание

Конструкция

Свойства

Функции объекта

Копировать семантику

Примеры

Создайте дерево классификации

Глубина дерева управления

Подробнее о

Примеси и ошибка узла

Ссылки

Расширенные возможности

Генерация кода C/C + +
Сгенерируйте код C и C++ с помощью Coder™ MATLAB ®

См. также

Темы

Statistics and Machine Learning Toolbox документация

Поддержка

Документация

ClassificationTree class

Описание

Конструкция

Свойства

Функции объекта

Копировать семантику

Примеры

Создайте дерево классификации

Глубина дерева управления

Подробнее о

Примеси и ошибка узла

Ссылки

Расширенные возможности

Генерация кода C/C + + Сгенерируйте код C и C++ с помощью Coder™ MATLAB ®

См. также

Темы

Statistics and Machine Learning Toolbox документация

Поддержка

Генерация кода C/C + +
Сгенерируйте код C и C++ с помощью Coder™ MATLAB ®