kfoldEdgegydF4y2Ba
交叉验证内核ECOC模型的分类边缘gydF4y2Ba
描述gydF4y2Ba
返回gydF4y2Ba分类的优势gydF4y2Ba由交叉验证的内核ECOC模型(gydF4y2Ba边缘gydF4y2Ba
= kfoldEdge (gydF4y2BaCVMdlgydF4y2Ba
)gydF4y2BaClassificationPartitionedKernelECOCgydF4y2Ba
)gydF4y2BaCVMdlgydF4y2Ba
.对于每一次折叠,gydF4y2BakfoldEdgegydF4y2Ba
使用训练折叠观测训练的模型计算验证折叠观测的分类边缘。gydF4y2Ba
返回带有由一个或多个名称-值对参数指定的附加选项的分类边。例如,指定折叠数、解码方案或冗长级别。gydF4y2Ba边缘gydF4y2Ba
= kfoldEdge (gydF4y2BaCVMdlgydF4y2Ba
,gydF4y2Ba名称,值gydF4y2Ba
)gydF4y2Ba
例子gydF4y2Ba
估计gydF4y2BakgydF4y2Ba-折叠交叉验证边gydF4y2Ba
加载费雪的虹膜数据集。gydF4y2BaXgydF4y2Ba
包含花的尺寸,和gydF4y2BaYgydF4y2Ba
包含花卉种类的名称。gydF4y2Ba
负载gydF4y2BafisheririsgydF4y2BaX = meas;Y =物种;gydF4y2Ba
交叉验证一个由内核二进制学习器组成的ECOC模型。gydF4y2Ba
CVMdl = fitcecoc(X,Y,gydF4y2Ba“学习者”gydF4y2Ba,gydF4y2Ba“内核”gydF4y2Ba,gydF4y2Ba“CrossVal”gydF4y2Ba,gydF4y2Ba“上”gydF4y2Ba)gydF4y2Ba
CVMdl = ClassificationPartitionedKernelECOC CrossValidatedModel: 'KernelECOC' ResponseName: 'Y' NumObservations: 150 KFold: 10 Partition: [1x1 cvpartition] ClassNames: {'setosa' 'versicolor' 'virginica'} ScoreTransform: 'none'属性,方法gydF4y2Ba
CVMdlgydF4y2Ba
是一个gydF4y2BaClassificationPartitionedKernelECOCgydF4y2Ba
模型。默认情况下,该软件实现了10次交叉验证。要指定不同的折叠数,请使用gydF4y2Ba“KFold”gydF4y2Ba
名值对参数而不是gydF4y2Ba“Crossval”gydF4y2Ba
.gydF4y2Ba
估计交叉验证的分类边缘。gydF4y2Ba
edge = kfoldge (CVMdl)gydF4y2Ba
边= 0.6218gydF4y2Ba
或者,您可以通过指定名称-值对来获取每折叠边gydF4y2Ba“模式”,“个人”gydF4y2Ba
在gydF4y2BakfoldEdgegydF4y2Ba
.gydF4y2Ba
特征选择使用gydF4y2BakgydF4y2Ba倍的边缘gydF4y2Ba
通过比较进行特征选择gydF4y2BakgydF4y2Ba-从多个模型折叠边缘。仅仅根据这一标准,分类器的最大优势是最好的分类器。gydF4y2Ba
加载费雪的虹膜数据集。gydF4y2BaXgydF4y2Ba
包含花的尺寸,和gydF4y2BaYgydF4y2Ba
包含花卉种类的名称。gydF4y2Ba
负载gydF4y2BafisheririsgydF4y2BaX = meas;Y =物种;gydF4y2Ba
随机选择一半的预测变量。gydF4y2Ba
rng (1);gydF4y2Ba%用于重现性gydF4y2Bap = size(X,2);gydF4y2Ba%预测数gydF4y2BaidxPart = randsample(p,ceil(0.5*p));gydF4y2Ba
旨在两ECOC模型由内核分类模型:一个使用所有的预测,一个使用预测的一半。gydF4y2Ba
CVMdl = fitcecoc(X,Y,gydF4y2Ba“学习者”gydF4y2Ba,gydF4y2Ba“内核”gydF4y2Ba,gydF4y2Ba“CrossVal”gydF4y2Ba,gydF4y2Ba“上”gydF4y2Ba);PCVMdl = fitcecoc(X(:,idxPart),Y,gydF4y2Ba“学习者”gydF4y2Ba,gydF4y2Ba“内核”gydF4y2Ba,gydF4y2Ba“CrossVal”gydF4y2Ba,gydF4y2Ba“上”gydF4y2Ba);gydF4y2Ba
CVMdlgydF4y2Ba
而且gydF4y2BaPCVMdlgydF4y2Ba
是gydF4y2BaClassificationPartitionedKernelECOCgydF4y2Ba
模型。默认情况下,该软件实现了10次交叉验证。要指定不同的折叠数,请使用gydF4y2Ba“KFold”gydF4y2Ba
名值对参数而不是gydF4y2Ba“Crossval”gydF4y2Ba
.gydF4y2Ba
估计gydF4y2BakgydF4y2Ba每个分类器的-fold边。gydF4y2Ba
fullEdge = kfoldge (CVMdl)gydF4y2Ba
fullEdge = 0.6137gydF4y2Ba
partEdge = kfoldge (PCVMdl)gydF4y2Ba
partEdge = 0.6242gydF4y2Ba
基于gydF4y2BakgydF4y2Ba-fold边,两个分类器是可比较的。gydF4y2Ba
输入参数gydF4y2Ba
CVMdlgydF4y2Ba
- - - - - -gydF4y2Ba交叉验证的内核ECOC模型gydF4y2Ba
ClassificationPartitionedKernelECOCgydF4y2Ba
模型gydF4y2Ba
交叉验证的内核ECOC模型,指定为gydF4y2BaClassificationPartitionedKernelECOCgydF4y2Ba
模型。您可以创建gydF4y2BaClassificationPartitionedKernelECOCgydF4y2Ba
模型通过训练ECOC模型使用gydF4y2BafitcecocgydF4y2Ba
并指定这些名称-值对参数:gydF4y2Ba
“学习者”gydF4y2Ba
—设置为gydF4y2Ba“内核”gydF4y2Ba
返回的模板对象gydF4y2BatemplateKernelgydF4y2Ba
,或此类模板对象的单元格数组。gydF4y2Ba其中一个论点是gydF4y2Ba
“CrossVal”gydF4y2Ba
,gydF4y2Ba“CVPartition”gydF4y2Ba
,gydF4y2Ba“坚持”gydF4y2Ba
,gydF4y2Ba“KFold”gydF4y2Ba
,或gydF4y2Ba“Leaveout”gydF4y2Ba
.gydF4y2Ba
名称-值参数gydF4y2Ba
指定可选参数对为gydF4y2BaName1 = Value1,…,以=家gydF4y2Ba
,在那里gydF4y2Ba的名字gydF4y2Ba
参数名称和gydF4y2Ba价值gydF4y2Ba
对应的值。名-值参数必须出现在其他参数之后,但对的顺序并不重要。gydF4y2Ba
在R2021a之前,名称和值之间用逗号隔开,并括起来gydF4y2Ba的名字gydF4y2Ba
在报价。gydF4y2Ba
例子:gydF4y2BakfoldEdge (CVMdl BinaryLoss,铰链)gydF4y2Ba
指定gydF4y2Ba“枢纽”gydF4y2Ba
作为二元学习者损失函数。gydF4y2Ba
BinaryLossgydF4y2Ba
- - - - - -gydF4y2Ba二元学习者损失函数gydF4y2Ba
“汉明”gydF4y2Ba
|gydF4y2Ba“线性”gydF4y2Ba
|gydF4y2Ba分对数的gydF4y2Ba
|gydF4y2Ba“指数”gydF4y2Ba
|gydF4y2Ba“binodeviance”gydF4y2Ba
|gydF4y2Ba“枢纽”gydF4y2Ba
|gydF4y2Ba“二次”gydF4y2Ba
|gydF4y2Ba函数处理gydF4y2Ba
二元学习者损失函数,指定为逗号分隔的对,由gydF4y2Ba“BinaryLoss”gydF4y2Ba
和内置的损失函数名或函数句柄。gydF4y2Ba
该表包含内置函数的名称和描述,其中gydF4y2BaygydF4y2BajgydF4y2Ba是特定二进制学习者(在集合{- 1,1,0}中)的类标签,gydF4y2Ba年代gydF4y2BajgydF4y2Ba分数是用来观察的吗gydF4y2BajgydF4y2Ba,gydF4y2BaggydF4y2Ba(gydF4y2BaygydF4y2BajgydF4y2Ba,gydF4y2Ba年代gydF4y2BajgydF4y2Ba)为二元损失公式。gydF4y2Ba
价值gydF4y2Ba 描述gydF4y2Ba 分数域gydF4y2Ba ggydF4y2Ba(gydF4y2BaygydF4y2BajgydF4y2Ba,gydF4y2Ba年代gydF4y2BajgydF4y2Ba)gydF4y2Ba “binodeviance”gydF4y2Ba
二项异常gydF4y2Ba (-∞∞)gydF4y2Ba 日志[1 + exp(-2)]gydF4y2BaygydF4y2BajgydF4y2Ba年代gydF4y2BajgydF4y2Ba日志(2)])]/ [2gydF4y2Ba “指数”gydF4y2Ba
指数gydF4y2Ba (-∞∞)gydF4y2Ba exp (-gydF4y2BaygydF4y2BajgydF4y2Ba年代gydF4y2BajgydF4y2Ba) / 2gydF4y2Ba “汉明”gydF4y2Ba
汉明gydF4y2Ba [0,1]或(-∞,∞)gydF4y2Ba [1 - sign(gydF4y2BaygydF4y2BajgydF4y2Ba年代gydF4y2BajgydF4y2Ba) / 2gydF4y2Ba “枢纽”gydF4y2Ba
铰链gydF4y2Ba (-∞∞)gydF4y2Ba 马克斯(0,1 -gydF4y2BaygydF4y2BajgydF4y2Ba年代gydF4y2BajgydF4y2Ba) / 2gydF4y2Ba “线性”gydF4y2Ba
线性gydF4y2Ba (-∞∞)gydF4y2Ba (1 -gydF4y2BaygydF4y2BajgydF4y2Ba年代gydF4y2BajgydF4y2Ba) / 2gydF4y2Ba 分对数的gydF4y2Ba
物流gydF4y2Ba (-∞∞)gydF4y2Ba 日志[1 + exp(- . LoggydF4y2BaygydF4y2BajgydF4y2Ba年代gydF4y2BajgydF4y2Ba日志(2)])]/ [2gydF4y2Ba “二次”gydF4y2Ba
二次gydF4y2Ba [0, 1]gydF4y2Ba (1 -gydF4y2BaygydF4y2BajgydF4y2Ba(2gydF4y2Ba年代gydF4y2BajgydF4y2Ba- 1))gydF4y2Ba2gydF4y2Ba/ 2gydF4y2Ba 该软件将二进制损耗归一化,使损耗为0.5gydF4y2BaygydF4y2BajgydF4y2Ba= 0。此外,软件计算每个类的平均二进制损失。gydF4y2Ba
例如,对于自定义的二进制损失函数,gydF4y2Ba
customFunctiongydF4y2Ba
,指定其函数句柄gydF4y2BaBinaryLoss, @customFunctiongydF4y2Ba
.gydF4y2BacustomFunctiongydF4y2Ba
有这样的形式:gydF4y2Babls = customFunction(M,s)gydF4y2Ba
米gydF4y2Ba
是gydF4y2BaKgydF4y2Ba——- - - - - -gydF4y2BaBgydF4y2Ba存储在gydF4y2BaMdl。CodingMatrixgydF4y2Ba
.gydF4y2Ba年代gydF4y2Ba
是1乘-吗gydF4y2BaBgydF4y2Ba分类分数行向量。gydF4y2Ba布劳斯gydF4y2Ba
是分类丢失。这个标量聚集了特定班级中每个学习者的二进制损失。例如,您可以使用平均二元损失来合计每个类的学习者的损失。gydF4y2BaKgydF4y2Ba是类的数量。gydF4y2Ba
BgydF4y2Ba是二元学习者的数量。gydF4y2Ba
默认情况下,如果所有二进制学习者都是使用支持向量机的核分类模型,则gydF4y2BaBinaryLossgydF4y2Ba
是gydF4y2Ba“枢纽”gydF4y2Ba
.如果所有的二元学习者都是使用逻辑回归的核分类模型,那么gydF4y2BaBinaryLossgydF4y2Ba
是gydF4y2Ba“二次”gydF4y2Ba
.gydF4y2Ba
例子:gydF4y2Ba“BinaryLoss”、“binodeviance”gydF4y2Ba
数据类型:gydF4y2Ba字符gydF4y2Ba
|gydF4y2Ba字符串gydF4y2Ba
|gydF4y2Bafunction_handlegydF4y2Ba
解码gydF4y2Ba
- - - - - -gydF4y2Ba解码方案gydF4y2Ba
“lossweighted”gydF4y2Ba
(默认)|gydF4y2Ba“lossbased”gydF4y2Ba
聚合二进制损耗的解码方案,指定为逗号分隔的对,由gydF4y2Ba“解码”gydF4y2Ba
而且gydF4y2Ba“lossweighted”gydF4y2Ba
或gydF4y2Ba“lossbased”gydF4y2Ba
.有关更多信息,请参见gydF4y2Ba二元损失gydF4y2Ba.gydF4y2Ba
例子:gydF4y2Ba“解码”、“lossbased”gydF4y2Ba
折叠gydF4y2Ba
- - - - - -gydF4y2Ba用于预测的折叠指数gydF4y2Ba
1: CVMdl。KFoldgydF4y2Ba
(默认)|gydF4y2Ba正整数的数字向量gydF4y2Ba
用于预测的折叠指数,指定为逗号分隔的对,由gydF4y2Ba“折叠”gydF4y2Ba
和一个正整数的数字向量。的元素gydF4y2Ba折叠gydF4y2Ba
一定在gydF4y2Ba1gydF4y2Ba
来gydF4y2BaCVMdl。KFoldgydF4y2Ba
.gydF4y2Ba
该软件只使用指定的折叠gydF4y2Ba折叠gydF4y2Ba
为预测。gydF4y2Ba
例子:gydF4y2Ba“折叠”,[1 4 10]gydF4y2Ba
数据类型:gydF4y2Ba单gydF4y2Ba
|gydF4y2Ba双gydF4y2Ba
模式gydF4y2Ba
- - - - - -gydF4y2Ba输出的聚合级别gydF4y2Ba
“平均”gydF4y2Ba
(默认)|gydF4y2Ba“个人”gydF4y2Ba
输出的聚合级别,指定为逗号分隔的对,由gydF4y2Ba“模式”gydF4y2Ba
而且gydF4y2Ba“平均”gydF4y2Ba
或gydF4y2Ba“个人”gydF4y2Ba
.gydF4y2Ba
该表描述了相关值。gydF4y2Ba
价值gydF4y2Ba | 描述gydF4y2Ba |
---|---|
“平均”gydF4y2Ba |
输出是所有折叠的标量平均值。gydF4y2Ba |
“个人”gydF4y2Ba |
的输出是一个向量的长度gydF4y2BakgydF4y2Ba包含一个值/褶皱,gydF4y2BakgydF4y2Ba是折叠的次数。gydF4y2Ba |
例子:gydF4y2Ba“模式”,“个人”gydF4y2Ba
选项gydF4y2Ba
- - - - - -gydF4y2Ba估计选项gydF4y2Ba
[]gydF4y2Ba
(默认)|gydF4y2Ba返回的结构数组gydF4y2BastatsetgydF4y2Ba
估计选项,指定为逗号分隔的对,由gydF4y2Ba“选项”gydF4y2Ba
和返回的结构数组gydF4y2BastatsetgydF4y2Ba
.gydF4y2Ba
调用并行计算:gydF4y2Ba
你需要一个并行计算工具箱™许可证。gydF4y2Ba
指定gydF4y2Ba
“选项”,statset (UseParallel,真的)gydF4y2Ba
.gydF4y2Ba
详细的gydF4y2Ba
- - - - - -gydF4y2Ba冗长的水平gydF4y2Ba
0gydF4y2Ba
(默认)|gydF4y2Ba1gydF4y2Ba
冗长级别,指定为逗号分隔的对,由gydF4y2Ba“详细”gydF4y2Ba
而且gydF4y2Ba0gydF4y2Ba
或gydF4y2Ba1gydF4y2Ba
.gydF4y2Ba详细的gydF4y2Ba
控制软件在命令窗口中显示的诊断消息的数量。gydF4y2Ba
如果gydF4y2Ba详细的gydF4y2Ba
是gydF4y2Ba0gydF4y2Ba
,则软件不显示诊断信息。否则,软件将显示诊断信息。gydF4y2Ba
例子:gydF4y2Ba“详细”,1gydF4y2Ba
数据类型:gydF4y2Ba单gydF4y2Ba
|gydF4y2Ba双gydF4y2Ba
输出参数gydF4y2Ba
边缘gydF4y2Ba
-分类优势gydF4y2Ba
数值标量|数值列向量gydF4y2Ba
分类的优势gydF4y2Ba,作为数值标量或数值列向量返回。gydF4y2Ba
如果gydF4y2Ba模式gydF4y2Ba
是gydF4y2Ba“平均”gydF4y2Ba
,然后gydF4y2Ba边缘gydF4y2Ba
是所有折叠的平均分类边。否则,gydF4y2Ba边缘gydF4y2Ba
是一个gydF4y2BakgydF4y2Ba-by-1数字列向量,包含每个折叠的分类边,其中gydF4y2BakgydF4y2Ba是折叠的次数。gydF4y2Ba
更多关于gydF4y2Ba
分类的优势gydF4y2Ba
的gydF4y2Ba分类的优势gydF4y2Ba是分类裕度的加权平均值。gydF4y2Ba
在多个分类器中进行选择(例如执行特征选择)的一种方法是选择产生最大优势的分类器。gydF4y2Ba
分类保证金gydF4y2Ba
的gydF4y2Ba分类保证金gydF4y2Ba对于每个观测,是真实类的负损失与虚假类的最大负损失之间的差值。如果边际在相同的尺度上,那么它们就可以作为分类置信度量。在多个分类器中,利润率更高的分类器更好。gydF4y2Ba
二元损失gydF4y2Ba
的gydF4y2Ba二元损失gydF4y2Ba是类别和分类分数的函数,它决定了二元学习者将观察结果划分为类别的程度。gydF4y2Ba
假设:gydF4y2Ba
米gydF4y2BakjgydF4y2Ba元素(gydF4y2BakgydF4y2Ba,gydF4y2BajgydF4y2Ba)的编码设计矩阵gydF4y2Ba米gydF4y2Ba也就是说,对应于类的代码gydF4y2BakgydF4y2Ba二元学习者gydF4y2BajgydF4y2Ba.gydF4y2Ba米gydF4y2Ba是一个gydF4y2BaKgydF4y2Ba——- - - - - -gydF4y2BaBgydF4y2Ba矩阵,gydF4y2BaKgydF4y2Ba是多少班,和gydF4y2BaBgydF4y2Ba是二元学习者的数量。gydF4y2Ba
年代gydF4y2BajgydF4y2Ba是二元学习者的分数吗gydF4y2BajgydF4y2Ba观察一下。gydF4y2Ba
ggydF4y2Ba为二元损失函数。gydF4y2Ba
是观测的预测类。gydF4y2Ba
ECOC模型的解码方案规定了软件如何聚合二进制损耗并确定每个观测的预测类别。该软件支持两种解码方案:金宝appgydF4y2Ba
通过解码gydF4y2Ba[2]gydF4y2Ba(gydF4y2Ba
解码gydF4y2Ba
是gydF4y2Ba“lossbased”gydF4y2Ba
) -观察结果的预测类别对应于在所有二元学习者中产生最小二元损失平均值的类别。gydF4y2BaLoss-weighted解码gydF4y2Ba[3]gydF4y2Ba(gydF4y2Ba
解码gydF4y2Ba
是gydF4y2Ba“lossweighted”gydF4y2Ba
) -观察结果的预测类别对应于产生对应类别的二元损失相对于二元学习者的最小平均值的类别。gydF4y2Ba分母对应于类的二元学习者的数量gydF4y2BakgydF4y2Ba.gydF4y2Ba[1]gydF4y2Ba提出损耗加权解码通过保持所有类的损耗值在相同的动态范围内来提高分类精度。gydF4y2Ba
的gydF4y2Ba预测gydF4y2Ba
,gydF4y2BaresubPredictgydF4y2Ba
,gydF4y2BakfoldPredictgydF4y2Ba
函数返回目标函数的负数gydF4y2BaargmingydF4y2Ba
作为第二个输出参数(gydF4y2BaNegLossgydF4y2Ba
)。gydF4y2Ba
下表总结了支持的二进制损耗函数,其中金宝appgydF4y2BaygydF4y2BajgydF4y2Ba是特定二进制学习者(在集合{- 1,1,0}中)的类标签,gydF4y2Ba年代gydF4y2BajgydF4y2Ba分数是用来观察的吗gydF4y2BajgydF4y2Ba,gydF4y2BaggydF4y2Ba(gydF4y2BaygydF4y2BajgydF4y2Ba,gydF4y2Ba年代gydF4y2BajgydF4y2Ba)为二元损失函数。gydF4y2Ba
价值gydF4y2Ba | 描述gydF4y2Ba | 分数域gydF4y2Ba | ggydF4y2Ba(gydF4y2BaygydF4y2BajgydF4y2Ba,gydF4y2Ba年代gydF4y2BajgydF4y2Ba)gydF4y2Ba |
---|---|---|---|
“binodeviance”gydF4y2Ba |
二项异常gydF4y2Ba | (-∞∞)gydF4y2Ba | 日志[1 + exp(-2)]gydF4y2BaygydF4y2BajgydF4y2Ba年代gydF4y2BajgydF4y2Ba日志(2)])]/ [2gydF4y2Ba |
“指数”gydF4y2Ba |
指数gydF4y2Ba | (-∞∞)gydF4y2Ba | exp (-gydF4y2BaygydF4y2BajgydF4y2Ba年代gydF4y2BajgydF4y2Ba) / 2gydF4y2Ba |
“汉明”gydF4y2Ba |
汉明gydF4y2Ba | [0,1]或(-∞,∞)gydF4y2Ba | [1 - sign(gydF4y2BaygydF4y2BajgydF4y2Ba年代gydF4y2BajgydF4y2Ba) / 2gydF4y2Ba |
“枢纽”gydF4y2Ba |
铰链gydF4y2Ba | (-∞∞)gydF4y2Ba | 马克斯(0,1 -gydF4y2BaygydF4y2BajgydF4y2Ba年代gydF4y2BajgydF4y2Ba) / 2gydF4y2Ba |
“线性”gydF4y2Ba |
线性gydF4y2Ba | (-∞∞)gydF4y2Ba | (1 -gydF4y2BaygydF4y2BajgydF4y2Ba年代gydF4y2BajgydF4y2Ba) / 2gydF4y2Ba |
“分对数”gydF4y2Ba |
物流gydF4y2Ba | (-∞∞)gydF4y2Ba | 日志[1 + exp(- . LoggydF4y2BaygydF4y2BajgydF4y2Ba年代gydF4y2BajgydF4y2Ba日志(2)])]/ [2gydF4y2Ba |
“二次”gydF4y2Ba |
二次gydF4y2Ba | [0, 1]gydF4y2Ba | (1 -gydF4y2BaygydF4y2BajgydF4y2Ba(2gydF4y2Ba年代gydF4y2BajgydF4y2Ba- 1))gydF4y2Ba2gydF4y2Ba/ 2gydF4y2Ba |
该软件将二进制损耗归一化,使损耗为0.5gydF4y2BaygydF4y2BajgydF4y2Ba= 0,并使用二元学习者的平均值进行聚合。gydF4y2Ba
请不要将二进制损失与整体分类损失(指定的吗gydF4y2BaLossFungydF4y2Ba
名称-值参数的gydF4y2BakfoldLossgydF4y2Ba
而且gydF4y2BakfoldPredictgydF4y2Ba
对象函数),它度量ECOC分类器作为一个整体的执行情况。gydF4y2Ba
参考文献gydF4y2Ba
[1]奥尔温,E., R.夏皮尔,和Y.辛格。将多类简化为二进制:边距分类器的统一方法。gydF4y2Ba机器学习研究杂志gydF4y2Ba.第1卷,2000,第113-141页。gydF4y2Ba
[2] Escalera, S., O. Pujol和P. Radeva。用于纠错输出码稀疏设计的三元码的可分离性。gydF4y2BaRecog模式。列托人。gydF4y2Ba2009年第3期,第285-297页。gydF4y2Ba
[3] Escalera, S., O. Pujol和P. Radeva。三进制纠错输出码的译码过程。gydF4y2Ba模式分析与机器智能汇刊gydF4y2Ba.2010年第7期第32卷第120-134页。gydF4y2Ba
版本历史gydF4y2Ba
在R2018b中介绍gydF4y2Ba
另请参阅gydF4y2Ba
ClassificationPartitionedKernelECOCgydF4y2Ba
|gydF4y2BafitcecocgydF4y2Ba
MATLAB命令gydF4y2Ba
你点击了一个对应于这个MATLAB命令的链接:gydF4y2Ba
在MATLAB命令窗口中输入命令来运行该命令。Web浏览器不支持MATLAB命令。金宝appgydF4y2Ba
选择一个网站gydF4y2Ba
选择一个网站,在可用的地方获得翻译的内容,并查看当地的活动和优惠。根据您的地理位置,我们建议您选择:gydF4y2Ba.gydF4y2Ba
您也可以从以下列表中选择网站:gydF4y2Ba
如何获得最佳的网站性能gydF4y2Ba
选择中国网站(中文或英文)以获得最佳的网站表现。其他MathWorks国家网站没有针对从您的位置访问进行优化。gydF4y2Ba
美洲gydF4y2Ba
- 美国拉丁gydF4y2Ba(西班牙语)gydF4y2Ba
- 加拿大gydF4y2Ba(英语)gydF4y2Ba
- 美国gydF4y2Ba(英语)gydF4y2Ba
欧洲gydF4y2Ba
- 比利时gydF4y2Ba(英语)gydF4y2Ba
- 丹麦gydF4y2Ba(英语)gydF4y2Ba
- 德国gydF4y2Ba(德语)gydF4y2Ba
- 西班牙gydF4y2Ba(西班牙语)gydF4y2Ba
- 芬兰gydF4y2Ba(英语)gydF4y2Ba
- 法国gydF4y2Ba(法语)gydF4y2Ba
- 爱尔兰gydF4y2Ba(英语)gydF4y2Ba
- 意大利gydF4y2Ba(意大利语)gydF4y2Ba
- 卢森堡gydF4y2Ba(英语)gydF4y2Ba
- 荷兰gydF4y2Ba(英语)gydF4y2Ba
- 挪威gydF4y2Ba(英语)gydF4y2Ba
- 奥地利gydF4y2Ba(德语)gydF4y2Ba
- 葡萄牙gydF4y2Ba(英语)gydF4y2Ba
- 瑞典gydF4y2Ba(英语)gydF4y2Ba
- 瑞士gydF4y2Ba
- 联合王国gydF4y2Ba(英语)gydF4y2Ba
亚太地区gydF4y2Ba
- 澳大利亚gydF4y2Ba(英语)gydF4y2Ba
- 印度gydF4y2Ba(英语)gydF4y2Ba
- 新西兰gydF4y2Ba(英语)gydF4y2Ba
- 中国gydF4y2Ba
- 日本gydF4y2Ba(日本語)gydF4y2Ba
- 한국gydF4y2Ba(한국어)gydF4y2Ba