ClassificationTreeCoderConfigurer
多类分类二叉决策树模型的编码器配置
描述
一个ClassificationTreeCoderConfigurer对象是用于多类分类的二叉决策树模型的编码器配置器(ClassificationTree或CompactClassificationTree）.
编码器配置器提供了方便的功能来配置代码生成选项，生成C/ c++代码，并在生成的代码中更新模型参数。
通过使用对象属性配置代码生成选项并指定树模型参数的编码器属性。
生成C/ c++代码
预测而且更新分类树模型的功能通过使用generateCode．生成C/ c++代码需要MATLAB®编码器™．更新生成的C/ c++代码中的模型参数，而不必重新生成代码。当您使用新数据或设置重新训练树模型时，此特性减少了重新生成、重新部署和重新验证C/ c++代码所需的工作。在更新模型参数之前，使用
validatedUpdateInputs验证并提取模型参数进行更新。
此流程图显示了使用编码器配置器的代码生成工作流。
的代码生成部分了解分类树模型的代码生成使用说明和限制CompactClassificationTree，预测,更新．
创建
训练后，利用分类树模型fitctree，为模型创建编码器配置器learnerCoderConfigurer．类的编码器属性预测而且更新参数。然后,用generateCode根据指定的编码器属性生成C/ c++代码。
属性
预测参数
属性的编码器属性预测生成代码中的函数参数。
X- - - - - -预测器数据的编码器属性
LearnerCoderInput对象
编码器属性的预测器数据传递给生成的C/ c++代码预测分类树模型的功能，指定为LearnerCoderInput对象。
类创建编码器配置程序时learnerCoderConfigurer函数，输入参数X属性的默认值LearnerCoderInput编码器属性:
SizeVector—默认值为输入的数组大小X．VariableDimensions—该值为[0 0](默认)或[1 0]．[0 0]中指定的固定数组大小SizeVector．[1 0]指示数组具有可变大小的行和固定大小的列。的第一个值SizeVector的上限是行数，第二个值是SizeVector是列数。
数据类型—该值为单或双．默认数据类型取决于输入的数据类型X．可调谐性—必须为真正的，这意味着预测在生成的C/ c++代码中总是包含预测器数据作为输入。
可以使用点表示法修改编码器属性。例如，要生成接受三个预测变量的100个观测值的预测器数据的C/ c++代码，请指定的编码器属性为X对于编码器配置器配置：
configuration . x . sizevector = [100 3];configurer.X.DataType =“双”；configuration . x . variabledimensions = [0 0];
[0 0]的第一个和第二个维度X(分别为观察数和预测变量数)具有固定的大小。
要允许生成的C/ c++代码接受最多100个观测值的预测器数据，请指定这些编码器属性X：
configuration . x . sizevector = [100 3];configurer.X.DataType =“双”；configuration . x . variabledimensions = [10];
[1 0]的第一个维度X(观测数)具有可变大小和第二次维数X(预测变量的数量)有固定的大小。指定的观察数(在本例中为100)成为生成的C/ c++代码中允许的最大观察数。若要允许任意数量的观察，请将边界指定为正．
NumOutputs- - - - - -输出数预测
1(默认)|2|3.|4
类所生成的C/ c++代码返回的输出参数的个数预测分类树模型的函数，指定为1,2,3或4。
的输出参数预测是标签(预测类别标签)，分数(后验概率),节点(预测类的节点号)，和cnum(预测标签的类数)，按此顺序。预测在生成的C/ c++代码中返回第一个n本署的产出预测函数,n是NumOutputs价值。
在创建编码器配置器之后配置，您可以使用点表示法指定输出的数量。
配置。NumOutputs= 2;
的NumOutputs属性等价于“-nargout”编译器选项codegen(MATLAB编码器)．此选项指定代码生成的入口点函数中的输出参数数量。目标函数generateCode生成两个入口点函数-predict.m而且update.m为预测而且更新函数的分类树模型，并为这两个入口点函数生成C/ c++代码。属性的指定值NumOutputs属性对应于入口点函数中输出参数的数量predict.m．
数据类型:双
更新参数
属性的编码器属性更新生成代码中的函数参数。的更新函数接受一个训练过的模型和新的模型参数作为输入参数，并返回包含新参数的模型的更新版本。要在生成的代码中启用更新参数，您需要在生成代码之前指定参数的编码器属性。使用一个LearnerCoderInput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．
孩子们- - - - - -每个节点的子节点的编码器属性
LearnerCoderInput对象
树中每个节点的子节点的编码器属性(孩子们的分类树模型)，指定为LearnerCoderInput对象。
属性的默认属性值LearnerCoderInput对象的值均基于输入参数Mdl的learnerCoderConfigurer：
SizeVector—默认值为(2 nd),在那里nd节点个数是否到位Mdl．VariableDimensions—该值为[0 0](默认)或[1 0]．[0 0]中指定的固定数组大小SizeVector．[1 0]指示数组具有可变大小的行和固定大小的列。的第一个值SizeVector的上限是行数，第二个值是SizeVector是列数。
数据类型—该值为“单一”或“双”．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—必须为真正的．
的第一个维度SizeVector是newnd，然后软件修改的第一个维度SizeVector属性为newnd对于属性ClassProbability，割点,CutPredictorIndex．类似地，如果修改的第一个维度VariableDimensions是1，然后软件修改的第一个维度VariableDimensions属性为1对于这些性质。
ClassProbability- - - - - -每个节点的类概率的编码器属性
LearnerCoderInput对象
树中每个节点的类概率的编码器属性(ClassProbability的分类树模型)，指定为LearnerCoderInput对象。
属性的默认属性值LearnerCoderInput对象的值均基于输入参数Mdl的learnerCoderConfigurer：
SizeVector—默认值为(nd c),在那里nd节点个数是否到位Mdl而且c是类的数量。VariableDimensions—该值为[0 0](默认)或[1 0]．[0 0]中指定的固定数组大小SizeVector．[1 0]指示数组具有可变大小的行和固定大小的列。的第一个值SizeVector的上限是行数，第二个值是SizeVector是列数。
数据类型—该值为“单一”或“双”．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—必须为真正的．
的第一个维度SizeVector是newnd，然后软件修改的第一个维度SizeVector属性为newnd对于属性孩子们，割点,CutPredictorIndex．类似地，如果修改的第一个维度VariableDimensions是1，然后软件修改的第一个维度VariableDimensions属性为1对于这些性质。
成本- - - - - -编码器属性的误分类代价
LearnerCoderInput对象
错误分类代价的编码器属性(成本的分类树模型)，指定为LearnerCoderInput对象。
属性的默认属性值LearnerCoderInput对象的值均基于输入参数Mdl的learnerCoderConfigurer：
SizeVector—必须为(c c),在那里c是类的数量。VariableDimensions—必须为[0 0]，表示数组大小固定SizeVector．数据类型—该值为“单一”或“双”．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—默认值为真正的．
割点- - - - - -每个节点的切割点的编码器属性
LearnerCoderInput对象
树中每个节点的切点的编码器属性(割点的分类树模型)，指定为LearnerCoderInput对象。
属性的默认属性值LearnerCoderInput对象的值均基于输入参数Mdl的learnerCoderConfigurer：
SizeVector—默认值为(nd - 1),在那里nd节点个数是否到位Mdl．VariableDimensions—该值为[0 0](默认)或[1 0]．[0 0]中指定的固定数组大小SizeVector．[1 0]指示数组具有可变大小的行和固定大小的列。的第一个值SizeVector的上限是行数，第二个值是SizeVector是列数。
数据类型—该值为“单一”或“双”．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—必须为真正的．
的第一个维度SizeVector是newnd，然后软件修改的第一个维度SizeVector属性为newnd对于属性孩子们，ClassProbability,CutPredictorIndex．类似地，如果修改的第一个维度VariableDimensions是1，然后软件修改的第一个维度VariableDimensions属性为1对于这些性质。
CutPredictorIndex- - - - - -每个节点的剪切预测器索引的编码器属性
LearnerCoderInput对象
树中每个节点的剪切预测器索引的编码器属性(CutPredictorIndex的分类树模型)，指定为LearnerCoderInput对象。
属性的默认属性值LearnerCoderInput对象的值均基于输入参数Mdl的learnerCoderConfigurer：
SizeVector—默认值为(nd - 1),在那里nd节点个数是否到位Mdl．VariableDimensions—该值为[0 0](默认)或[1 0]．[0 0]中指定的固定数组大小SizeVector．[1 0]指示数组具有可变大小的行和固定大小的列。的第一个值SizeVector的上限是行数，第二个值是SizeVector是列数。
数据类型—该值为“单一”或“双”．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—必须为真正的．
的第一个维度SizeVector是newnd，然后软件修改的第一个维度SizeVector属性为newnd对于属性孩子们，ClassProbability,割点．类似地，如果修改的第一个维度VariableDimensions是1，然后软件修改的第一个维度VariableDimensions属性为1对于这些性质。
之前- - - - - -先验概率的编码器属性
LearnerCoderInput对象
先验概率的编码器属性(之前的分类树模型)，指定为LearnerCoderInput对象。
属性的默认属性值LearnerCoderInput对象的值均基于输入参数Mdl的learnerCoderConfigurer：
SizeVector—必须为(1 c),在那里c是类的数量。VariableDimensions—必须为[0 0]，表示数组大小固定SizeVector．数据类型—该值为“单一”或“双”．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—默认值为真正的．
其他配置选项
OutputFileName- - - - - -生成的C/ c++代码的文件名
“ClassificationTreeModel”(默认)|特征向量
生成的C/ c++代码的文件名，指定为字符向量。
目标函数generateCode的ClassificationTreeCoderConfigurer使用此文件名生成C/ c++代码。
文件名不能包含空格，因为在某些操作系统配置中，空格可能导致代码生成失败。此外，名称必须是有效的MATLAB函数名。
在创建编码器配置器之后配置，可以使用点表示法指定文件名。
配置。OutputFileName =“myModel”；
数据类型:字符
详细的- - - - - -冗长的水平
真正的(逻辑1)(默认)|假(逻辑0)
详细级别，指定为真正的(逻辑1)或假(逻辑0).详细级别控制命令行上通知消息的显示。
| 价值 | 描述 |
|---|---|
真正的(逻辑1) |
当对参数的编码器属性的更改导致其他依赖参数的更改时，软件将显示通知消息。 |
假(逻辑0) |
该软件不显示通知消息。 |
要在生成的代码中更新机器学习模型参数，需要在生成代码之前配置参数的编码器属性。参数的编码器属性相互依赖，因此软件将依赖关系存储为配置约束。如果您使用编码器配置器修改一个参数的编码器属性，并且修改需要后续更改其他相关参数以满足配置约束，那么软件将更改相关参数的编码器属性。详细级别决定软件是否显示这些后续更改的通知消息。
在创建编码器配置器之后配置，可以使用点表示法修改详细级别。
配置。详细的= false;
数据类型:逻辑
代码生成自定义选项
要自定义代码生成工作流，请使用generateFiles函数与下面三个属性相结合codegen(MATLAB编码器)，而不是使用generateCode函数。
生成两个入口点函数文件后(predict.m而且update.m)使用generateFiles函数，您可以根据代码生成工作流修改这些文件。例如，可以修改predict.m文件中包含数据预处理，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。方法生成C/ c++代码codegen(MATLAB编码器)功能和codegen参数适用于修改后的入口点函数或代码生成项目。使用本节中描述的三个属性作为设置属性的起点codegen参数。
CodeGenerationArguments- - - - - -codegen参数
单元阵列
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函数，如果您不需要自定义工作流。
而不是使用generateCode使用编码器配置器配置，可以生成C/ c++代码，如下所示:
generateFiles(配置程序)cgArgs = configuration . codegenerationarguments;codegen (cgArgs {}):
cgArgs因此，在打电话之前codegen．
如果修改的其他属性配置时，软件更新CodeGenerationArguments相应的属性。
数据类型:细胞
PredictInputs- - - - - -的输入参数预测
的单元格数组编码器。PrimitiveType对象
此属性是只读的。
入口点函数的输入参数predict.m的单元格数组指定，用于代码生成编码器。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。
如果您修改了预测器数据的编码器属性，则软件将更新编码器。PrimitiveType相应的对象。
的编码器。PrimitiveType对象PredictInputs等于配置。CodeGenerationArguments {6}对于编码器配置器配置．
数据类型:细胞
UpdateInputs- - - - - -的可调输入参数列表更新
单元格数组的结构包括编码器。PrimitiveType对象
此属性是只读的。
入口点函数的可调输入参数列表update.m用于代码生成，指定为包含的结构的单元格数组编码器。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。
如果您使用编码器配置器属性(更新参数属性)，然后软件进行相应的更新编码器。PrimitiveType相应的对象。如果您指定可调谐性机器学习模型参数的属性为假，然后软件删除相应的编码器。PrimitiveType对象的UpdateInputs列表。
的结构UpdateInputs等于配置。CodeGenerationArguments {3}对于编码器配置器配置．
数据类型:细胞
对象的功能
generateCode |
使用编码器配置器生成C/ c++代码 |
generateFiles |
生成MATLAB使用编码器配置器生成代码的文件 |
validatedUpdateInputs |
验证并提取机器学习模型参数进行更新 |
例子
使用编码器配置器生成代码
训练一个机器学习模型，然后生成代码预测而且更新通过使用编码器配置器实现模型的功能。
加载fisheriris数据集，其中包含花卉数据，并训练一个决策树模型。
负载fisheririsX = meas;Y =物种;Mdl = fitctree(X,Y);
Mdl是一个ClassificationTree对象。
属性的编码器配置程序ClassificationTree通过使用learnerCoderConfigurer．指定预测器数据X．的learnerCoderConfigurer函数使用输入X属性的编码器属性预测函数的输入。
configurer = learnerCoderConfigurer(Mdl,X)
configurer = ClassificationTreeCoderConfigurer with properties: Update input: Children: [1x1 LearnerCoderInput] ClassProbability: [1x1 LearnerCoderInput] CutPoint: [1x1 LearnerCoderInput] CutPredictorIndex: [1x1 LearnerCoderInput] Prior: [1x1 LearnerCoderInput] Cost: [1x1 LearnerCoderInput] Predict input: X: [1x1 LearnerCoderInput] Code Generation Parameters: NumOutputs: 1 OutputFileName: 'ClassificationTreeModel' properties, Methods
配置是一个ClassificationTreeCoderConfigurer对象的编码器配置器ClassificationTree对象。
要生成C/ c++代码，您必须能够访问配置正确的C/ c++编译器。MATLAB Coder定位并使用支持的，已安装的编译器。你可以使用墨西哥人设置查看和更改默认编译器。详情请参见更改默认编译器．
为预测而且更新分类树模型的功能(Mdl)。
generateCode(配置)
generateCode在output文件夹中创建这些文件:米”、“预测。米”、“更新。米”、“ClassificationTreeModel。代码生成成功。
的generateCode函数完成以下操作:
生成生成代码所需的MATLAB文件，包括两个入口点函数
predict.m而且update.m为预测而且更新的功能Mdl,分别。创建一个名为
ClassificationTreeModel对于两个入口函数。中为MEX函数创建代码
codegen \墨西哥人\ ClassificationTreeModel文件夹中。将MEX函数复制到当前文件夹。
控件的内容predict.m，update.m,initialize.m文件，使用类型函数。
类型predict.m
函数varargout = predict(X,varargin) %#代码原%由MATLAB自动生成，31 aug -2022 05:56:26 [varargout{1:nargout}] =初始化('predict'，X,varargin{:});结束
类型update.m
函数更新(varargin) %#codegen %由MATLAB自动生成，31 aug -2022 05:56:26初始化('update'，varargin{:});结束
类型initialize.m
function [varargout] = initialize(command,varargin) %#codegen %由MATLAB自动生成，31 aug -2022 05:56:26 code .inline('always')持久化模型if isempty(model) model = loadLearnerForCoder(' classificationtremodel .mat');end switch(command) case 'update' %更新结构字段:child % ClassProbability % CutPoint % CutPredictorIndex % Prior % Cost model = update(model,varargin{:});预测输入:X X = varargin{1};if nargin == 2 [varargout{1:nargout}] = predict(模型，X);else PVPairs = cell(1,nargin-2);如果i = 1:nargin-2 pvairs {1,i} = varargin{i+1};end [varargout{1:nargout}] = predict(model,X,PVPairs{:});结束结束
生成代码中分类树模型参数的更新
使用部分数据集训练用于多类分类的决策树，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模型参数的编码器属性。使用编码器配置器的object函数生成C代码，为新的预测器数据预测标签。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fisheriris数据集，其中包含花卉数据。这个数据集有四个预测因子:花的萼片长度、萼片宽度、花瓣长度和花瓣宽度。响应变量包含花的种类名称:setosa、versicolor和virginica。用一半的观察数据训练分类树模型。
负载fisheririsX = meas;Y =物种;rng (“默认”）%用于再现性n =长度(Y);c = cvpartition(Y，“坚持”, 0.5);idxTrain =训练(c,1);XTrain = X(idxTrain，:);YTrain = Y(idxTrain);Mdl = fitctree(XTrain,YTrain);
Mdl是一个ClassificationTree对象。
创建编码器配置器
属性的编码器配置程序ClassificationTree通过使用learnerCoderConfigurer．指定预测器数据。的learnerCoderConfigurer函数使用输入XTrain属性的编码器属性预测函数的输入。此外，将输出的数量设置为4，以便生成的代码返回预测的标签、分数、节点号和类号。
配置器= learnerCoderConfigurer(Mdl,XTrain，“NumOutputs”4);
配置是一个ClassificationTreeCoderConfigurer对象的编码器配置器ClassificationTree对象。
指定参数的编码器属性
指定分类树模型参数的编码器属性，以便在重新训练模型后更新生成的代码中的参数。
属性的编码器属性X的属性配置这样生成的代码就可以接受任意数量的观察值。修改SizeVector而且VariableDimensions属性。的SizeVector属性指定预测器数据大小的上限，而VariableDimensions属性指定预测器数据的每个维度的大小是可变的还是固定的。
configuration . x . sizevector = [Inf 4];configurer.X.VariableDimensions
ans =1x2逻辑阵列1 0
第一个维度的大小是观测的数量。属性的值SizeVector属性来正的值导致软件更改VariableDimensions属性来1．换句话说，大小的上限是正而且预测数据的大小是可变的，这意味着预测数据可以有任意数量的观测值。如果在生成代码时不知道观察数，则此规范非常方便。
第二个维度的大小是预测变量的数量。对于机器学习模型，这个值必须固定。由于预测器数据包含4个预测器，因此SizeVector属性必须为4的值VariableDimensions属性必须为0．
如果您使用新的数据或不同的设置重新训练树模型，树中的节点数量可能会发生变化。的第一个维度SizeVector属性，以便您可以更新生成的代码中的节点数:孩子们，ClassProbability，割点,或CutPredictorIndex．然后软件会自动修改其他属性。
的第一个值SizeVector属性。割点财产正．软件修改SizeVector而且VariableDimensions的属性孩子们，ClassProbability,CutPredictorIndex匹配树中节点数量的新上限。的第一个值VariableDimensions的属性割点更改1．
configuration . cutpoint . sizevector = [Inf 1];
已修改子代的SizeVector属性以满足配置约束。已修改CutPredictorIndex的SizeVector属性以满足配置约束。已修改子项的VariableDimensions属性以满足配置约束。已修改CutPredictorIndex的VariableDimensions属性以满足配置约束。已修改ClassProbability的SizeVector属性以满足配置约束。已修改ClassProbability的VariableDimensions属性以满足配置约束。
configurer.CutPoint.VariableDimensions
ans =1x2逻辑阵列1 0
生成代码
要生成C/ c++代码，您必须能够访问配置正确的C/ c++编译器。MATLAB Coder定位并使用支持的，已安装的编译器。你可以使用墨西哥人设置查看和更改默认编译器。详情请参见更改默认编译器．
为预测而且更新分类树模型的功能(Mdl）.
generateCode(配置)
generateCode在output文件夹中创建这些文件:米”、“预测。米”、“更新。米”、“ClassificationTreeModel。代码生成成功。
的generateCode函数完成以下操作:
生成生成代码所需的MATLAB文件，包括两个入口点函数
predict.m而且update.m为预测而且更新的功能Mdl,分别。创建一个名为
ClassificationTreeModel对于两个入口函数。中为MEX函数创建代码
codegen \墨西哥人\ ClassificationTreeModel文件夹中。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正确预测的函数Mdl和预测在MEX函数中的函数返回相同的输出参数。若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。
[label,score,node,cnum] = predict(Mdl,XTrain);[label_mex,score_mex,node_mex,cnum_mex] = ClassificationTreeModel(“预测”, XTrain);
比较标签而且label_mex通过使用isequal．同样的,比较节点来node_mex而且cnum来cnum_mex．
label_mex isequal(标签)
ans =逻辑1
node_mex isequal(节点)
ans =逻辑1
isequal (cnum cnum_mex)
ans =逻辑1
isequal返回逻辑1 (真正的)如果所有输入参数都相等。这一比较证实了预测的函数Mdl和预测函数返回相同的标签、节点号和类号。
比较分数而且score_mex．
马克斯(abs (score-score_mex), [],“所有”）
Ans = 0
一般来说,score_mex可能包括四舍五入的差异比较分数．在这种情况下，比较证实了这一点分数而且score_mex是相等的。
重新训练模型和更新生成代码中的参数
使用整个数据集重新训练模型。
retrainedMdl = fitctree(X,Y);
通过使用提取要更新的参数validatedUpdateInputs．该函数检测中修改的模型参数retrainedMdl并验证修改后的参数值是否满足参数的编码器属性。
params = validatedUpdateInputs(配置器，retrainedMdl);
更新生成代码中的参数。
ClassificationTreeModel (“更新”params)
验证生成的代码
方法的输出参数进行比较预测的函数retrainedMdl和预测在更新后的MEX函数中。
[label,score,node,cnum] = predict(retrainedMdl,X);[label_mex,score_mex,node_mex,cnum_mex] = ClassificationTreeModel(“预测”, X);label_mex isequal(标签)
ans =逻辑1
node_mex isequal(节点)
ans =逻辑1
isequal (cnum cnum_mex)
ans =逻辑1
马克斯(abs (score-score_mex), [],“所有”）
Ans = 0
比较确认标签、节点号、类号和分数是相等的。
更多关于
LearnerCoderInput对象
编码器配置器使用LearnerCoderInput对象指定的编码器属性预测而且更新输入参数。
一个LearnerCoderInput对象具有以下属性，用于在生成的代码中指定输入参数数组的属性。
| 属性名称 | 描述 |
|---|---|
SizeVector |
数组大小，如果对应 数组大小的上界，如果对应 |
VariableDimensions |
指示符，指定数组的每个维度是具有可变大小还是固定大小，指定为
|
数据类型 |
数组的数据类型 |
可调谐性 |
指示是否存在的指标 如果指定其他属性值时 |
创建编码器配置器后，可以使用点表示法修改编码器属性。属性的编码器属性割点编码器配置程序的属性配置：
configuration . cutpoint . sizevector = [20 1];configuration . cutpoint . variabledimensions = [1 0];
详细的),真正的(默认)，则当您修改机器学习模型参数的编码器属性，且该修改更改了其他依赖参数的编码器属性时，软件将显示通知消息。
版本历史
R2019b引入
MATLAB命令
你点击了一个对应于这个MATLAB命令的链接:
在MATLAB命令窗口中输入该命令来运行该命令。Web浏览器不支持MATLAB命令。
您也可以从以下列表中选择一个网站:
如何获得最佳的网站性能
选择中国站点(中文或英文)以获得最佳站点性能。其他MathWorks国家站点没有针对您所在位置的访问进行优化。