主要内容

classificationsvmcoderconfigurer

用于支持向量机（SVM）的编码器配置器，用金宝app于单级和二进制分类

展开所有页面

描述

一个classificationsvmcoderconfigurer对象是支持向量机分类模型的编码器配置器(ClassificationSVM要么CompactClassificationSVM）。

编码器配置器提供了方便的特性来配置代码生成选项、生成C/ c++代码以及更新生成代码中的模型参数。

  • 配置代码生成选项并使用对象属性指定SVM模型参数的编码器属性。

  • 为此生成C / C ++代码预测和更新支持向量机分类模型的函数Generatecode.．生成C / C ++代码需要马铃薯®编码器™．

  • 更新生成的C / C ++代码中的模型参数，而无需重新生成代码。此功能可减少重新生成，重新部署和求解C / C ++代码所需的努力，当您使用新数据或设置重新启动SVM模型时。在更新模型参数之前，使用验证updateInpuls.验证和提取要更新的模型参数。

此流程图显示了使用编码器配置器的代码生成工作流。

对于代码生成使用说明和SVM分类模型的限制，请参阅“代码生成”部分CompactClassificationSVM，预测， 和更新．

创建

通过使用，训练出支持向量机分类模型fitcsvm，使用以下方法为模型创建一个编码器配置器learnerCoderConfigurer．使用编码器配置器的属性来指定编码器属性预测和更新论点。然后，使用Generatecode.根据指定的编码器属性生成C/ c++代码。

特性

展开全部

预测争论

本节中列出的属性指定了编码器属性预测生成的代码中的函数参数。

预测数据的编码器属性传递给生成的C / C ++代码预测SVM分类模型的功能，指定为aLearnercoderInpul.对象。

使用使用时创建编码器配置程序时learnerCoderConfigurer函数，输入参数X确定默认值LearnercoderInpul.编码器属性：

  • SizeVector- 默认值是输入的数组大小X．

  • VariableDimensions- 这个值是[0 0](默认)或[1 0]．

    • [0 0]中指定的数组大小是固定的SizeVector．

    • [1 0]指示数组具有可变大小的行和固定大小的列。在本例中，第一个值SizeVector是行数的上限，以及第二个值SizeVector是列数。

  • 数据类型- 这个值是单身的要么双倍的．默认数据类型取决于输入的数据类型X．

  • 可调谐性—必须为真的， 意思是预测在所生成的C / C ++代码中，始终包括预测器数据作为输入。

您可以使用点表示法修改编码器属性。例如，要生成接受带有三个预测变量的100个观察值的预测数据的C/ c++代码，指定这些编码器属性X对于编码器配置程序配置：

configurer.x.sizevector = [100 3];configur.x.datatype =.'双倍的'；configurer.x.variaBolidimensions = [0 0];
[0 0]表示第一和第二维度X（分别观察次数和预测变量的数量）具有固定尺寸。

要允许生成的C / C ++代码接受最多100个观察的预测器数据，请指定这些编码器属性X：

configurer.x.sizevector = [100 3];configur.x.datatype =.'双倍的'；configur.x.variabledimensions = [1 0];
[1 0]表示第一维度X（观察次数）具有可变尺寸和第二维度X（预测器变量的数量）具有固定大小。在该示例中指定的观测数量，100成为生成的C / C ++代码中允许的最大观察数。要允许任何数量的观察，请指定绑定为正．

从生成的C / C ++代码返回的输出参数的数量预测SVM分类模型的功能，指定为1或2。

输出论据预测是标签(预测类标签)和分数（分数或后验概率）按列出的顺序。预测在生成的C / C ++代码中返回第一个代码n输出的预测功能，在哪里n是个NumOutputs价值。

创建编码器配置程序后配置，您可以使用点表示法指定输出的数量。

配置。NumOutputs= 2;

的NumOutputs财产相当于'-Nargout'编译器选项Codegen.（MATLAB编码器）．此选项指定代码生成的入口函数中的输出参数的数量。的目标函数Generatecode.生成两个入口点函数 -预测.M.和更新..为预测和更新SVM分类模型的功能分别 - 为两个入口点函数生成C / C ++代码。指定的价值NumOutputs属性对应于入口点函数中的输出参数数预测.M.．

数据类型：双倍的

更新争论

本节中列出的属性指定了编码器属性更新生成的代码中的函数参数。的更新函数将培训的模型和新型号参数作为输入参数，并返回包含新参数的模型的更新版本。要启用更新生成的代码中的参数，则需要在生成代码之前指定参数的编码器属性。用一个LearnercoderInpul.对象指定每个参数的编码器属性。默认属性值基于输入参数中的模型参数MDL.的learnerCoderConfigurer．

训练的分类器系数的编码器属性(Α的SVM分类模型)，指定为LearnercoderInpul.对象。

属性的默认属性值LearnercoderInpul.对象基于输入参数MDL.的learnerCoderConfigurer：

  • SizeVector- 默认值是(年代,1)， 在哪里年代支持向量的个数是多少金宝appMDL.．

  • VariableDimensions- 这个值是[0 0](默认)或[1 0]．

    • [0 0]中指定的数组大小是固定的SizeVector．

    • [1 0]指示数组具有可变大小的行和固定大小的列。在本例中，第一个值SizeVector是行数的上限，以及第二个值SizeVector是列数。

  • 数据类型- 这个值是'单身的'要么'双倍的'．默认数据类型与用于训练的训练数据的数据类型一致MDL.．

  • 可调谐性-如果你用线性核函数训练一个模型，并且模型存储线性预测系数(bet)没有支持向量和相关值，则该金宝app值必须为错误的．否则，该值必须为真的．

线性预测器系数的编码器属性（bet的SVM分类模型)，指定为LearnercoderInpul.对象。

属性的默认属性值LearnercoderInpul.对象基于输入参数MDL.的learnerCoderConfigurer：

  • SizeVector—必须为(1页)， 在哪里p是预测因子的数量MDL.．

  • VariableDimensions—必须为[0 0]，表示数组大小如规定固定SizeVector．

  • 数据类型- 这个值是'单身的'要么'双倍的'．默认数据类型与用于训练的训练数据的数据类型一致MDL.．

  • 可调谐性-如果你用线性核函数训练一个模型，并且模型存储线性预测系数(bet)没有支持向量和相关值，则该金宝app值必须为真的．否则，该值必须为错误的．

偏差项的编码器属性（偏见的SVM分类模型)，指定为LearnercoderInpul.对象。

属性的默认属性值LearnercoderInpul.对象基于输入参数MDL.的learnerCoderConfigurer：

  • SizeVector—必须为[1 1]．

  • VariableDimensions—必须为[0 0]，表示数组大小如规定固定SizeVector．

  • 数据类型- 这个值是'单身的'要么'双倍的'．默认数据类型与用于训练的训练数据的数据类型一致MDL.．

  • 可调谐性—必须为真的．

错误分类成本的编码者属性(成本的SVM分类模型)，指定为LearnercoderInpul.对象。

属性的默认属性值LearnercoderInpul.对象基于输入参数MDL.的learnerCoderConfigurer：

  • SizeVector- 对于二进制分类，必须是[2]．对于单类分类，此值必须为[1 1]．

  • VariableDimensions—必须为[0 0]，表示数组大小如规定固定SizeVector．

  • 数据类型- 这个值是'单身的'要么'双倍的'．默认数据类型与用于训练的训练数据的数据类型一致MDL.．

  • 可调谐性- 对于二进制分类，默认值是真的．对于单类分类，此值必须为错误的．

预测器意味着的编码器属性（亩的SVM分类模型)，指定为LearnercoderInpul.对象。

属性的默认属性值LearnercoderInpul.对象基于输入参数MDL.的learnerCoderConfigurer：

  • SizeVector- 如果你训练MDL.通过指定使用标准化的预测器数据“标准化”，真的，这个值必须是[1，p]， 在哪里p是预测因子的数量MDL.．否则，该值必须为[0,0]．

  • VariableDimensions—必须为[0 0]，表示数组大小如规定固定SizeVector．

  • 数据类型- 这个值是'单身的'要么'双倍的'．默认数据类型与用于训练的训练数据的数据类型一致MDL.．

  • 可调谐性- 如果你训练MDL.通过指定使用标准化的预测器数据“标准化”，真的，默认值为真的．否则，该值必须为错误的．

先验概率的编码属性(事先的的SVM分类模型)，指定为LearnercoderInpul.对象。

属性的默认属性值LearnercoderInpul.对象基于输入参数MDL.的learnerCoderConfigurer：

  • SizeVector- 对于二进制分类，必须是[1 2]．对于单类分类，此值必须为[1 1]．

  • VariableDimensions—必须为[0 0]，表示数组大小如规定固定SizeVector．

  • 数据类型- 这个值是'单身的'要么'双倍的'．默认数据类型与用于训练的训练数据的数据类型一致MDL.．

  • 可调谐性- 对于二进制分类，默认值是真的．对于单类分类，此值必须为错误的．

核心缩放参数的编码器属性（KernelParameters。规模的SVM分类模型)，指定为LearnercoderInpul.对象。

属性的默认属性值LearnercoderInpul.对象基于输入参数MDL.的learnerCoderConfigurer：

  • SizeVector—必须为[1 1]．

  • VariableDimensions—必须为[0 0]，表示数组大小如规定固定SizeVector．

  • 数据类型- 这个值是'单身的'要么'双倍的'．默认数据类型与用于训练的训练数据的数据类型一致MDL.．

  • 可调谐性- 默认值是真的．

预测标准偏差的编码属性(Sigma.的SVM分类模型)，指定为LearnercoderInpul.对象。

属性的默认属性值LearnercoderInpul.对象基于输入参数MDL.的learnerCoderConfigurer：

  • SizeVector- 如果你训练MDL.通过指定使用标准化的预测器数据“标准化”，真的，这个值必须是[1，p]， 在哪里p是预测因子的数量MDL.．否则，该值必须为[0,0]．

  • VariableDimensions—必须为[0 0]，表示数组大小如规定固定SizeVector．

  • 数据类型- 这个值是'单身的'要么'双倍的'．默认数据类型与用于训练的训练数据的数据类型一致MDL.．

  • 可调谐性- 如果你训练MDL.通过指定使用标准化的预测器数据“标准化”，真的，默认值为真的．否则，该值必须为错误的．

支持向量类标签的编码器属性(金宝app金宝appSupportVectorLabels.的SVM分类模型)，指定为LearnercoderInpul.对象。

属性的默认属性值LearnercoderInpul.对象基于输入参数MDL.的learnerCoderConfigurer：

  • SizeVector- 默认值是(年代,1)， 在哪里年代支持向量的个数是多少金宝appMDL.．

  • VariableDimensions- 这个值是[0 0](默认)或[1 0]．

    • [0 0]中指定的数组大小是固定的SizeVector．

    • [1 0]指示数组具有可变大小的行和固定大小的列。在本例中，第一个值SizeVector是行数的上限，以及第二个值SizeVector是列数。

  • 数据类型- 这个值是'单身的'要么'双倍的'．默认数据类型与用于训练的训练数据的数据类型一致MDL.．

  • 可调谐性-如果你用线性核函数训练一个模型，并且模型存储线性预测系数(bet)没有支持向量和相关值，则该金宝app值必须为错误的．否则，该值必须为真的．

支持向量的编码属性(金宝app金宝app支持监视器的SVM分类模型)，指定为LearnercoderInpul.对象。

属性的默认属性值LearnercoderInpul.对象基于输入参数MDL.的learnerCoderConfigurer：

  • SizeVector- 默认值是[s，p]， 在哪里年代是支持向量的个数，和金宝appp是预测因子的数量MDL.．

  • VariableDimensions- 这个值是[0 0](默认)或[1 0]．

    • [0 0]中指定的数组大小是固定的SizeVector．

    • [1 0]指示数组具有可变大小的行和固定大小的列。在本例中，第一个值SizeVector是行数的上限，以及第二个值SizeVector是列数。

  • 数据类型- 这个值是'单身的'要么'双倍的'．默认数据类型与用于训练的训练数据的数据类型一致MDL.．

  • 可调谐性-如果你用线性核函数训练一个模型，并且模型存储线性预测系数(bet)没有支持向量和相关值，则该金宝app值必须为错误的．否则，该值必须为真的．

其他配置选项

生成的C/ c++代码的文件名，指定为字符向量。

的目标函数Generatecode.的classificationsvmcoderconfigurer使用此文件名生成C / C ++代码。

文件名不得包含空格，因为它们可以在某些操作系统配置中导致代码生成失败。此外，名称必须是有效的MATLAB函数名称。

创建编码器配置程序后配置，您可以使用点表示法指定文件名。

configurer.outputfilename =.“myModel”；

数据类型：字符

详细级别，指定为真的（逻辑1）或错误的(逻辑0)。详细级别控制命令行中通知消息的显示。

价值 描述
真的（逻辑1） 当您对参数的编码器属性的更改导致其他相关参数的更改发生更改时，软件显示通知消息。
错误的(逻辑0) 该软件不显示通知消息。

要在生成的代码中启用更新计算机学习模型参数，您需要在生成代码之前配置参数的编码器属性。参数的编码器属性彼此依赖，因此软件将依赖项存储为配置约束。如果通过使用编码器配置器修改参数的编码器属性，并且修改需要随后改变其​​他从属参数来满足配置约束，则软件改变了从属参数的编码器属性。冗长级别确定软件是否显示出用于这些后续更改的通知消息。

创建编码器配置程序后配置，您可以使用点表示法修改详细程度。

configur.verbose = false;

数据类型：逻辑

代码生成自定义的选项

要自定义代码生成工作流程，请使用generateFiles函数和下面三个属性Codegen.（MATLAB编码器），而不是使用Generatecode.函数。

在生成两个入口点函数文件(预测.M.和更新..）通过使用generateFiles功能，您可以根据代码生成工作流修改这些文件。例如，您可以修改预测.M.文件以包含数据预处理，或者可以将这些入口点函数添加到另一个代码生成项目中。然后，您可以通过使用Codegen.（MATLAB编码器）功能和Codegen.适用于修改的入境点函数或代码生成项目的参数。使用本节中描述的三个属性作为设置的起点Codegen.论点。

此属性是只读的。

Codegen.（MATLAB编码器）参数，指定为单元格数组。

此属性使您能够自定义代码生成工作流。使用Generatecode.功能如果您不需要自定义工作流程。

而不是使用Generatecode.使用编码器配置程序配置，您可以生成C / C ++代码，如下所示：

generateFiles(配置器)cgArgs = configuration . codegenerationarguments;codegen (cgArgs {}):
如果您自定义代码生成工作流程，请修改CGARGS.因此在呼叫之前Codegen.．

修改的其他属性配置，软件更新CodeGenerationArguments.相应的属性。

数据类型：细胞

此属性是只读的。

入口点函数的输入参数预测.M.对于代码生成，指定为一个单元格数组编码器。PrimitiveType（MATLAB编码器）对象。的编码器。PrimitiveType对象中存储的预测器数据的编码器属性X财产。

如果修改预测器数据的编码器属性，则软件更新编码器。PrimitiveType相应的对象。

的编码器。PrimitiveType对象PredictInputs相当于configurer.codegenerationArguments {6}对于编码器配置程序配置．

数据类型：细胞

此属性是只读的。

入口点函数的可调输入参数列表更新..对于代码生成，指定为结构的单元格数组，包括编码器。PrimitiveType（MATLAB编码器）对象。每一个编码器。PrimitiveType对象包含可调机器学习模型参数的编码器属性。

如果使用编码器配置程序属性修改模型参数的编码器属性（更新争论属性)，然后软件更新相应的编码器。PrimitiveType相应的对象。如果您指定了可调谐性机器学习模型参数的属性错误的，然后软件删除相应的编码器。PrimitiveType对象来自UpdateInputs列表。

结构在UpdateInputs相当于configurer.codegenerationArguments {3}对于编码器配置程序配置．

数据类型：细胞

对象功能

Generatecode. 使用编码器配置器生成C/ c++代码
generateFiles 产生马铃薯使用编码器配置器生成代码的文件
验证updateInpuls. 验证和提取机器学习模型参数更新

例子

全部收缩

此示例使用：

打开直播脚本

训练一个机器学习模型，然后生成代码预测和更新使用编码器配置器来函数模型。

加载电离层数据集，训练二值支持向量机分类模型。

负载电离层mdl = fitcsvm（x，y）;

MDL.是A.ClassificationSVM对象。

控件创建一个编码器配置器ClassificationSVM模型通过使用learnerCoderConfigurer．指定预测器数据X．的learnerCoderConfigurer函数使用输入X配置编码器属性预测函数的输入。

CONFIGURER = LERERNERCODERCONFIGURER（MDL，X）
CONFIGURER = CLASSICSICSVMCODERCONFIGURER具有属性：更新输入：ALPHA：[1x1 LEARNERCODERINPUT] SupportSVector：[1x1 Learnerc金宝appoderInput] scale：[1x1学习者核序列]偏置：[1x1学习者核序列]之前：[1x1 LearnercoderInput]成本：[1x1学习者]预测输入：x：[1x1学习者划分]代码生成参数：numoutputs：1 outputfilename：'classificationsvmmodel'属性，方法

配置是A.classificationsvmcoderconfigurer对象是一个编码器配置程序ClassificationSVM对象。

要生成C / C ++代码，您必须访问正确配置的C / C ++编译器。MATLAB编码器定位并使用支持的安装编译器。金宝app您可以使用梅克斯-设置查看和更改默认编译器。有关更多详细信息，请参阅更改默认编译器．

为预测和更新SVM分类模型的功能（MDL.)的默认设置。

Generatecode（Configurer）
Generatecode在输出文件夹中创建这些文件：'Initialize.m'，'predict.m'，'update.m'，'classificationsvmmodel.mat'

的Generatecode.函数完成这些动作:

  • 生成MATLAB文件所需的生成代码，包括两个入口点函数预测.M.和更新..为预测和更新函数MDL.,分别。

  • 创建一个名为ClassificationSVMModel对于两个入口点函数。

  • 控件中创建MEX函数的代码codegen \ mex \ classificationsvmmodel文件夹。

  • 将MEX函数复制到当前文件夹。

显示的内容预测.M.，更新..， 和初始化..文件通过使用类型函数。

类型预测.M.
函数varargout = predict（x，varargin）％＃codegen％by matlab，03-oct-2020 19:27:09 [varargout {1：nargout}] =初始化（'predict'，x，varargin {：}）;结尾
类型更新..
功能更新（varargin）％＃codegen％by matlab，03-oct-2020 19:27:09初始化（'更新'，varargin {：}）;结尾
类型初始化..
function [varargout] = initialize(command,varargin) %#codegen % Autogenerated by MATLAB, 03-Oct-2020 19:27:09end switch(command) case 'update' % update struct fields: Alpha % 金宝appSupportVectors % SupportVectorLabels % Scale % Bias % Prior % Cost model = update(model,varargin{:});case 'predict' %预测输入:X X = varargin{1};if nargout == 2 [varargout{1:nargout}] = predict(model,X);else PVPairs = cell(1,nargin-2);for i = 1:nargin-2 PVPairs{1,i} = varargin{i+1};end [varargout{1:nargout}] = predict(model,X,PVPairs{:});结束结束结束

此示例使用：

打开直播脚本

使用部分数据集训练支持向量机模型，并为模型创建编码器配置器。使用编码器配置器的属性来指定支持向量机模型参数的编码器属性。使用编码器配置器的对象函数生成C代码，用于预测新的预测数据的标签。然后使用整个数据集重新训练模型，并在不重新生成代码的情况下更新生成代码中的参数。

火车模型

加载电离层数据集。此数据集具有34个预测器和351个雷达返回的二进制响应，无论是坏的吗（'B')或好('G'）。使用前50个观察列出二进制SVM分类模型。

负载电离层Mdl = fitcsvm (X (1:50:), Y (1:50));

MDL.是A.ClassificationSVM对象。

创建编码器配置程序

控件创建一个编码器配置器ClassificationSVM模型通过使用learnerCoderConfigurer．指定预测器数据X．的learnerCoderConfigurer函数使用输入X配置编码器属性预测函数的输入。另外，将输出的数量设置为2，以便生成的代码返回预测的标签和分数。

configurer =学习者（MDL，x（1:50，:)，'numoutputs'，2）;

配置是A.classificationsvmcoderconfigurer对象是一个编码器配置程序ClassificationSVM对象。

指定参数的编码器属性

指定SVM分类模型参数的编码器属性，以便在重新训练模型后更新生成代码中的参数。此示例指定要传递给生成代码的预测器数据的编码器属性，以及支持向量机模型的支持向量的编码器属性。金宝app

首先，指定的编码器属性X因此，生成的代码接受任何数量的观察。修改SizeVector和VariableDimensions属性。的SizeVector属性指定预测器数据大小的上限，以及VariableDimensions属性指定预测器数据的每个维度是具有可变大小还是固定大小。

configurer.x.sizevector = [INF 34];configurer.x.variabledimensions = [true false];

第一维度的大小是观察的数量。在这种情况下，代码指定大小的上限是正大小是可变的，也就是说X可以有任何数量的观察结果。如果您不知道生成代码时的观察次数，则此规范很方便。

第二维度的大小是预测变量的数量。必须为机器学习模型固定此值。X包含34个预测因子，因此值SizeVector属性必须是34和值的值VariableDimensions属性必须是错误的．

如果使用新数据或不同的设置重新恢复SVM模型，则支持向量的数量可能会有所不同。金宝app因此，指定编码器属性金宝app支持监视器这样您就可以在生成的代码中更新支持向量。金宝app

configurer.金宝appsupportVectors.sizevector = [250 34];
alpha的Sizevector属性已被修改为满足配置约束。SizeVector属性for SupportVe金宝appctorLabels已被修改为满足配置约束。
configurer.金宝appSupportVectors.VariableDimensions = [true false];
Alpha的VariaBlowImensions属性已被修改为满足配置约束。SupportVectorLabels的VariaBlyImens金宝appions属性已被修改为满足配置约束。

的编码器属性金宝app支持监视器，然后软件修改的编码器属性Α和金宝appSupportVectorLabels.以满足配置约束。如果修改一个参数的编码器属性需要随后更改其他相关参数以满足配置约束，则软件更改相关参数的编码器属性。

生成代码

要生成C / C ++代码，您必须访问正确配置的C / C ++编译器。MATLAB编码器定位并使用支持的安装编译器。金宝app您可以使用梅克斯-设置查看和更改默认编译器。有关更多详细信息，请参阅更改默认编译器．

采用Generatecode.生成的代码预测和更新SVM分类模型的功能（MDL.)的默认设置。

Generatecode（Configurer）
Generatecode在输出文件夹中创建这些文件：'Initialize.m'，'predict.m'，'update.m'，'classificationsvmmodel.mat'

Generatecode.生成生成代码所需的MATLAB文件，包括两个入口点函数预测.M.和更新..为预测和更新函数MDL.,分别。然后Generatecode.创建一个名为mex函数ClassificationSVMModel的两个入口点函数codegen \ mex \ classificationsvmmodel文件夹并将MEX函数复制到当前文件夹。

验证生成的代码

通过一些预测数据来验证是否是预测功能MDL.和预测函数中返回相同的标签。要在具有多个入口点的MEX函数中调用入口点函数，请将函数名指定为第一个输入参数。

[标签，得分] =预测（MDL，x）;[label_mex，score_mex] = classificationsvmmodel（'预测'，X）;

相比标签和label_mex.通过使用isequal．

isequal（标签，label_mex）
ans =.逻辑1

isequal返回逻辑1 (真的)，如果所有输入相等。比较证实了预测功能MDL.和预测函数中返回相同的标签。

score_mex可能包括舍入差异与分数．在这种情况下，比较score_mex和分数，允许小容差。

找到(abs (score-score_mex) > 1 e-8)
ans = 0x1空双列向量

对比证实了分数和score_mex在宽容范围内相同1 e-8．

在生成的代码中重新训练模型和更新参数

使用整个数据集重新训练模型。

RetrainingMDL = FITCSVM（X，Y）;

使用提取要更新的参数验证updateInpuls.．此功能检测到修改的模型参数returatedmdl.并验证修改的参数值是否满足参数的编码器属性。

params = validatedupdateInputs（Configurer，HetrowingMDL）;

更新生成的代码中的参数。

classificationsvmmodel（'更新'，params）

验证生成的代码

比较来自的输出预测功能returatedmdl.和预测在更新的MEX函数中的功能。

[标签，得分] =预测（再次检索，x）;[label_mex，score_mex] = classificationsvmmodel（'预测'，X）;isequal（标签，label_mex）
ans =.逻辑1
找到(abs (score-score_mex) > 1 e-8)
ans = 0x1空双列向量

对比证实了标签和Labels_mex.等于，分数值在公差范围内相同。

更多关于

展开全部

另请参阅

|||||

话题

介绍了R2018b

统计和机器学习工具箱文档

金宝app

掌握机器学习:一步一步的指导与MATLAB

掌握机器学习:一步一步的指导与MATLAB

下载电子书