机器学习＜降维和度量学习＞-matlab代码#3

于 2022-05-29 19:35:41 发布
阅读量875 收藏 21
点赞数 3
分类专栏： 笔记 文章标签： 机器学习 matlab 学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_46735260/article/details/125034796
版权

文章目录

测试样本：

西瓜数据样本,密度,含糖量：

% 西瓜数据样本
% 密度，含糖量
D=[0.697 0.460;
    0.774 0.376;
    0.634 0.264;
    0.608 0.318;
    0.556 0.215;
    0.403 0.237;
    0.481 0.149;
    0.437 0.211;
    0.666 0.091;
    0.243 0.267;
    0.245 0.057;
    0.343 0.099;
    0.639 0.161;
    0.657 0.198;
    0.360 0.370;
    0.593 0.042;
    0.719 0.103;
    0.359 0.188;
    0.339 0.241;
    0.282 0.257;
    0.748 0.232;
    0.714 0.346;
    0.483 0.312;
    0.478 0.437;
    0.525 0.369;
    0.751 0.489;
    0.532 0.472;
    0.473 0.376;
    0.725 0.445;
    0.446 0.459;];
[m,n]=size(D);
% 归一化
meanD=sum(D)./m;
D=D-meanD;
% 训练标签
y=[zeros(length(1:8),1);
   ones(length(9:21),1);
   zeros(length(22:30),1);];

K近邻学习-K-nearest Neighbor

机器学习周志华

[test_m,test_n]=size(Test_D);

% kNN的参数确定
k=3;
dismatrix=zeros(m,test_m);
for i=1:test_m
    for j=1:m
        dismatrix(j,i)=norm(Test_D(i,:)-D(j,:));
    end
    distemp=dismatrix(:,i);
    %distemp(i,:)=[];
    [~,index]=sort(distemp);
    index_KNN=index(1:k);
    numclass(1,i)=sum(y(index_KNN)==1);
    numclass(2,i)=sum(y(index_KNN)==0);
    if numclass(1,i)>numclass(2,i)
        test_y(i)=1;
    else
        test_y(i)=0;
    end
end
%% 显示
figure(1)
plot(D(y==1,1),D(y==1,2),'bo','MarkerSize',12,'LineWidth',2)
hold on
grid on
plot(D(y==0,1),D(y==0,2),'bx','MarkerSize',12,'LineWidth',2)
plot(Test_D(test_y==1,1),Test_D(test_y==1,2),'ro','MarkerSize',12,'LineWidth',2)
plot(Test_D(test_y==0,1),Test_D(test_y==0,2),'rx','MarkerSize',12,'LineWidth',2)
legend('训练样本-正样本','训练样本-负样本','测试样本-正类','测试样本-负类')
title('KNN算法分类','FontSize',15,'FontWeight',"bold")

降维-MDS算法

伪代码
机器学习周志华

测试数据

N=1000;
%Gaussian noise
noise = 0.001*randn(1,N);
%standard swiss roll data
tt = (3*pi/2)*(1+2*rand(1,N));   height = 21*rand(1,N);
X = [(tt+ noise).*cos(tt); height; (tt+ noise).*sin(tt)];
X=X';
%show the picture
point_size = 20;
figure(1)
cla
scatter3(X(:,1),X(:,2),X(:,3), point_size,tt,'filled');
view([12 12]); grid on; axis on; hold on;
axis on;
axis equal;
hold off;

在这里插入图片描述

MDS代码

dim=2;% 降维的维数
testX=X;
[m,n]=size(testX);
D=zeros(m,m);
for i=1:m
    for j=1:m
        D(i,j)=norm(testX(i,:)-testX(j,:),2);
    end
end
e=ones(m,1);
H=eye(m)-1/m*(e*e');
D2=D.*D;
B=-1/2*H'*D2*H;
[eigen_vector,eigen_value]=eig(B);
lambda=diag(eigen_value);
[~,indexe]=sort(lambda,'descend');
lambda=lambda(indexe);
V=eigen_vector(:,indexe);
hat_A=diag(lambda(1:dim));% 选择特定维度的特征值进行降维
hat_V=V(:,1:dim);
Z=hat_V*((hat_A).^(0.5));% 降维特征点数据集
%% 显示降维图像
scatter(Z(:,1),Z(:,2),20,tt,'filled')

在这里插入图片描述

主成分分析(PCA降维)

伪代码
机器学习周志华

[m,n]=size(X);
dim=2; % 降维的维度数量dim=3
for j=1:n % 属性值归一化
    X(:,j)=X(:,j)-sum(X(:,j))/m;
end
[W,lambda]=eig(X*X'./(n-1));
lambda=diag(lambda);
[~,index]=sort(-lambda);
lambda=lambda(index);
W=W(:,index);
% 降维的特征值，特征向量
W_dim=W(:,1:dim);
lambda_dim=lambda(1:dim);
%%显示
plot(W_dim(:,1),W_dim(:,2),'b.')
title('PCA主成分分析降维','FontSize',12,'FontWeight',"bold")

在这里插入图片描述

核化线性降维-核化主成分分析（KPCA）

核函数：将低维转换高维
机器学习周志华

% 降维的维度
dim=2;
% 1.求核函数
M=3;% 选择高斯核函数
Kx=gaussfcn(X,M);
% 2.核函数矩阵的特征分解
[Kx_P,Kx_lambda]=eig(Kx);
Kx_lambda=diag(Kx_lambda);
[~,index]=sort(-Kx_lambda);
Kx_lambda=Kx_lambda(index);
Kx_P=Kx_P(:,index);
% 3.核矩阵降维的特征值，特征向量
newlambda=Kx_lambda(1:dim);
newP=Kx_P(:,1:dim);
% 4.降维的特征向量
W=Kx*Kx'*newP./newlambda';
% 5.降维的数据集
z=(W'*Kx)';
%显示
scatter(z(:,1),z(:,2),20,tt,'filled');
title('核函数降维处理','FontSize',12,'FontWeight',"bold")

在这里插入图片描述

流行学习-等度量映射Isometric Mapping

伪代码
机器学习周志华

% 归一化
[m,n]=size(x);
meanD=sum(x)./m;
x=x-meanD;
% 训练标签
y=[zeros(length(1:8),1);
   ones(length(9:21),1);
   zeros(length(22:30),1);];

% KNN近邻参数设置
Knn=122;
Dismatrix=zeros(m,m);
newDis=inf(m,m);
numclass=zeros(2,m);
for i=1:m
    for j=1:m
        Dismatrix(j,i)=norm(x(i,:)-x(j,:));
    end
    % 确定xi的近邻
    distemp=Dismatrix(:,i);
    [~,index_knn]=sort(distemp);
    index_knn=index_knn(1:Knn);
    newDis(index_knn,i)=distemp(index_knn);
end
%计算最短路径-Floyd算法
a=newDis;
for k=1:m
    for i=1:m
        for j=1:m
            if a(i,j)>a(i,k)+a(k,j)
                a(i,j)=a(i,k)+a(k,j);
            end
        end
    end
end
dis=a;
% MDS降维
dim=2;
e=ones(m,1);
H=eye(m)-1/m*(e*e');
D2=dis.*dis;
B=-1/2*H'*D2*H;
[eigen_vector,eigen_value]=eig(B);
lambda=diag(eigen_value);
[~,indexe]=sort(lambda,'descend');
lambda=lambda(indexe);
V=eigen_vector(:,indexe);
hat_A=diag(lambda(1:dim));% 选择特定维度的特征值进行降维
hat_V=V(:,1:dim);
Z=hat_V*((hat_A).^(0.5));% 降维特征点数据集
%显示
scatter(Z(:,1),Z(:,2),20,tt,'filled')

在这里插入图片描述

流行学习-LLE算法

伪代码
机器学习周志华

k=13; %近邻个数
dim=2;% 降维个数
lambda=1e-2; % 运算系数
[m,n]=size(X);
W=zeros(m);
e=ones(k,1);
for i=1:m
    % 求距离
    xx=repmat(X(i,:),m,1);
    diff=xx-X;
    distance_xi=sum(diff.*diff,2);
    % 剔除自身的距离
    [~,pos]=sort(distance_xi);
    index=pos(1:k+1);
    index(index==i)=[];
    % 求权重Wi
    W1=(X(index,:)*X(index,:)')+lambda*eye(k)\e;
    W2=e'*W1;
    W=W1/W2;
    WW(i,index)=W;
end
w_end=sparse(WW);   %w_end就是一个稀疏矩阵
I = eye(m);
A = (I - w_end)' * (I - w_end);
[eigen_vector, eigen_value] = eig(A);
eigen_value=diag(eigen_value);
[~,pos]=sort(eigen_value);
index=pos(1:dim+1); % 采用第2至第d+1个最小特征值对应的特征向量组成新坐标
tran=eigen_vector(:,index);
p=sum(tran.*tran);
j=find(p==min(p));
tran(:, j)=[];
X_LLE=tran;
%显示
scatter(X_LLE(:,1),X_LLE(:,2),20,tt,'filled');
title('LLE算法降维结果','FontSize',12,'FontWeight',"bold")

算法归纳

function Z=myMDS(Test,dim)
    [m,n]=size(Test);
    if dim>n
        error('维度超出属性个数')
    end
    distance=zeros(m,m);
    for i=1:m
        for j=1:m
            distance(i,j)=norm(Test(i,:)-Test(j,:),2);
        end
    end
    e=ones(m,1);
    H=eye(m)-1/m*(e*e');
    B=-1/2*H'*distance.*distance*H;
    [eign_vector,eign_value]=eig(B);
    lambda=diag(eign_value);
    [~,index]=sort(lambda,'descend');
    lambda=lambda(index);
    eign_vector=eign_vector(:,index);
    A=diag(lambda(1:dim));
    V=eign_vector(:,1:dim);
    Z=V*(A.^(1/2));
end
%% PCA函数
function Z=myPCA(test,dim)
    %{
        声明：数据集的每一行，代表一个样本。
    %}
    [m,n]=size(test);
    X=zeros(m,n);
    for j=1:n
        X(:,j)=test(:,j)-sum(test(:,j))/m;
    end
    [W,lambda]=eig(X*X'./(n-1));
    lambda=diag(lambda);
    [~,index]=sort(-lambda);
    lambda=lambda(index);
    W=W(:,index);
    Z=W(:,1:dim);
end
%% 核函数降维
function z=mykerfcn(x,dim,M)
    [m,~]=size(x);
    % 1.求核函数
    %  M : 选择高斯核函数
    if M==1
        % 1.线性核函数
        Kx=x*x';
    elseif M==2
        % 2.多项式核
        Kx=(x*x').^2;
    elseif M==3
        % 3.高斯核
        sigma_k=1.12;
        Kx=zeros(m,m);
        for i=1:m
            for j=1:m
                Kx(i,j)=exp(-norm(x(i,:)-x(j,:))/(2*sigma_k^2));
            end
        end
    elseif M==4
        % 4.拉普拉斯核函数
        Kx=zeros(m,m);
        sigma_Ls=2.75;
        for i=1:m
            for j=1:m
                Kx(i,j)=exp(-norm(x(i,:)-x(j,:),1)/sigma_Ls);
            end
        end
    elseif M==5
        %% 5.sigmoid核函数
        sigmoid_beta=0.3;
        sigmoid_theta=-0.6;
        Kx=zeros(m,m);
        for i=1:m
            for j=1:m
                Kx(i,j)=tanh(sigmoid_beta*x(i,:)*x(j,:)'+sigmoid_theta);
            end
        end
    end
    % 2.核函数矩阵的特征分解
    [Kx_P,Kx_lambda]=eig(Kx);
    Kx_lambda=diag(Kx_lambda);
    [~,index]=sort(-Kx_lambda);
    Kx_lambda=Kx_lambda(index);
    Kx_P=Kx_P(:,index);
    % 3.核矩阵降维的特征值，特征向量
    newlambda=Kx_lambda(1:dim);
    newP=Kx_P(:,1:dim);
    % 4.降维的特征向量
    W=Kx*Kx'*newP./newlambda';
    % 5.降维的数据集
    z=(W'*Kx)';
end

%% LLE算法
function Z=myLLE(X,dim,k,lambda)
    % k 近邻个数
    [m,~]=size(X);
    e=ones(k,1);
    for i=1:m
        % 求距离
        xx=repmat(X(i,:),m,1);
        diff=xx-X;
        distance_xi=sum(diff.*diff,2);
        % 剔除自身的距离
        [~,pos]=sort(distance_xi);
        index=pos(1:k+1);
        index(index==i)=[];
        % 求权重Wi
        W1=(X(index,:)*X(index,:)')+lambda*eye(k)\e;
        W2=e'*W1;
        W=W1/W2;
        WW(i,index)=W;
    end
    w_end=sparse(WW);   %w_end就是一个稀疏矩阵
    I = eye(m);
    A = (I - w_end)' * (I - w_end);
    [eigen_vector, eigen_value] = eig(A);
    eigen_value=diag(eigen_value);
    [~,pos]=sort(eigen_value);
    index=pos(1:dim+1); % 采用第2至第d+1个最小特征值对应的特征向量组成新坐标
    tran=eigen_vector(:,index);
    p=sum(tran.*tran);
    minindex=find(p==min(p));
    tran(:, minindex)=[];
    Z=tran;
end
%% Isomap
function Z=mylsomap(x,dim,Knn)
    [m,~]=size(x);
    Dismatrix=zeros(m,m);
    newDis=inf(m,m);
    for i=1:m
        for j=1:m
            Dismatrix(j,i)=norm(x(i,:)-x(j,:));
        end
        % 确定xi的近邻
        distemp=Dismatrix(:,i);
        [~,index_knn]=sort(distemp);
        index_knn=index_knn(1:Knn);
        newDis(index_knn,i)=distemp(index_knn);
    end
    a=newDis;
    for k=1:m
        for i=1:m
            for j=1:m
                if a(i,j)>a(i,k)+a(k,j)
                    a(i,j)=a(i,k)+a(k,j);
                end
            end
        end
    end
    dis=a;
    e=ones(m,1);
    H=eye(m)-1/m*(e*e');
    D2=dis.*dis;
    B=-1/2*H'*D2*H;
    [eigen_vector,eigen_value]=eig(B);
    lambda=diag(eigen_value);
    [~,indexe]=sort(lambda,'descend');
    lambda=lambda(indexe);
    V=eigen_vector(:,indexe);
    hat_A=diag(lambda(1:dim));% 选择特定维度的特征值进行降维
    hat_V=V(:,1:dim);
    Z=hat_V*((hat_A).^(0.5));% 降维特征点数据集
end
Sumsonw
关注
  • 3
    点赞
  • 踩
  • 21
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
matlab中ones函数的使用方法详细介绍（附matlab代码）
iii66yy的博客
05-05 4万+
ones函数语法 X = ones 返回标量 1。 X = ones(n) 返回一个 n×n 的全 1 矩阵。 X = ones(sz1,…,szN) 返回由 1 组成的 sz1×…×szN 数组，其中 sz1,…,szN 指示每个维度的大小。例如，ones(2,3) 返回由 1 组成的 2×3 数组。 X = ones(sz) 返回一个由 1 组成的数组，其中大小向量 sz 定义 size(X)。例如，ones([2,3]) 返回由 1 组成的 2×3 数组。 X = ones(c
lle matlab 实例_LLE算法的matlab代码
weixin_35789885的博客
12-24 473
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%LLe算法，改编自斯坦福的版本functionY=myLLe(x,K,d)%%%%%%%%%%%%%%%%%%%%%%%%计算邻域[m,n]=size(x);x2=sum(x.^2,1);square1=repmat(x2,n,1);square2=repma...
R2LML:MATLAB代码以实现降级本地度量学习
05-16
降级本地距离度量学习 黄银杰 中央佛罗里达大学 2013年 ＃＃＃内容＃＃＃ 一般信息 要求 安装 用法 引文 =========================================== ＃＃＃一般信息＃＃＃ 编写该软件以实现算法“降秩本地距离度量学习”。 版权归作者所有。 ＃＃＃要求＃＃＃ 要运行此软件，您需要安装以下组件： MathWorks MATLAB ＃＃＃安装＃＃＃ 该软件不需要任何安装。 只需将文件放到文件夹中即可。 ＃＃＃用法＃＃＃ 请将数据集放在“数据”文件夹中。 数据格式为“ <维度+1> X <数据数>>”。 最后一行是数据的标签。 要运行该软件，请运行文件“ Demo.m”，可以在其中设置许多参数。 请参考该论文如何设置这些参数。 如果要保存测试结果标签，请转到“ \ Functions \ R2LML”。 取消第81行的注释。标
局部线性嵌入(LLE)算法matlab可运行
阿正的梦工坊
05-12 1113
踩坑
机器学习之降维与度量学习视频精讲
06-09
降维和度量学习是机器学习中的很重要的模块。降维，高纬度数据转化为低纬度的数据，主要是属性变化。本课程主要讲解：k近邻学习器、低维嵌入、主成成分分析、核化线性降维、流行学习、度量学习。
第十章 降维与度量学习 -by- VAY-长跑 - CSDN博客1
08-03
11、降维与度量学习样本的特征数称为维数（dimensionality），当维数非常大时，也就是现在所说的“维数灾难”，具体表现在：在高维情形下，数据样本将变得
-PRML一书中机器学习算法的Matlab代码.zip
最新发布
02-28
-PRML一书中机器学习算法的Matlab代码-PRML一书中机器学习算法的Matlab代码-PRML一书中机器学习算法的Matlab代码-PRML一书中机器学习算法的Matlab代码-PRML一书中机器学习算法的Matlab代码-PRML一书中机器学习算法的...
机器学习-第十章降维与度量学习
11-22
k-近邻学习是一种常用的监督学习方法，其工作机制非常简单：给定测试样本，基于某种距离度量找出训练集中与其靠近的......
lle算法详解及matlab代码实现
04-15
给出了 lle算法的详细解析及matlab代码实现
降维系列之 AutoEncoder 自动编码器
01-07
AutoEncoder简单很多，简写一下。主要分两个部分，Encoder和Decoder，Encoder是降维的过程，Decoder是将降维的结果升维，AutoEncoder希望升维的结果与原始数据尽可能一致，二者共同构成一个前馈的网络，训练完后的中间结果就是降维结果。Encoder和Decoder的构成可以是线性的，也可以是非线性的，可以自由设计。 看代码更明白一些： class AutoEncoder(nn.Module): def __init__(self): super(AutoEncoder, self).__init__() # 降维 self.encoder = nn
新LLE算法matlab代码
11-24
一种用于特征提取，并实现数据降维的局部线性嵌入算法（LLE）
llematlab代码-Matlab-Toolbox-for-Dimensionality-Reduction:用于降维的Matlab工具箱
05-21
matlab代码Matlab工具箱用于降维 用于降维的Matlab工具箱 用于降维的Matlab工具箱（v0.8.1b） 信息 作者：Laurens van der Maaten所属机构：代尔夫特理工大学联系人：发布日期：2013年3月21日版本：0.8.1b 安装 将drtoolbox /文件夹复制到$ MATLAB_DIR / toolbox目录（其中$ MATLAB_DIR表示您的Matlab安装目录）。 启动Matlab并从“文件”菜单中选择“设置路径...”。 单击“使用子文件夹添加...”按钮，在文件对话框中选择文件夹$ MATLAB_DIR / toolbox / drtoolbox，然后按“打开”。 随后，按“保存”按钮以将更改保存到Matlab搜索路径。 现在已安装工具箱。 工具箱中的某些功能使用MEX文件。 这些MEX文件的预编译版本在此发行版中分发，但可能缺少针对您平台的编译版本。 为了编译所有MEX文件，请在Matlab提示符下键入cd（[matlabroot'/ toolbox / drtoolbox']），然后执行MEXALL函数。 特征 这个Matlab工
机器学习matlab源代码.rar
08-10
机器学习matlab源代码机器学习matlab源代码机器学习matlab源代码机器学习matlab源代码机器学习matlab源代码机器学习matlab源代码机器学习matlab源代码机器学习matlab源代码机器学习matlab源代码机器学习matlab源代码...
降维 matlab,matlab 代码 一些常用的 降维算法
weixin_32616931的博客
03-16 749
http://sugiyama-www.cs.titech.ac.jp/~sugi/software/SoftwareThe software available below is free of charge for research and education purposes. However, you must obtain a license from the author(s) to ...
matlab求logistics映射 的le_高维映射 与 核方法（Kernel Methods）
weixin_39654322的博客
11-21 289
高维映射跟核方法的概念很容易混淆。高维映射通过将样本从原始空间映射到一个更高维的特征空间，从而解决了低纬下难以解决的问题。核方法往往跟高维映射配合使用，可以看做是一种技巧，可以通过它来避免这种映射的计算。下面详细介绍一下这两个概念。一、高维映射我们知道，线性回归是用一条直线来拟合数据。但是我们往往会遇到数据并不服从线性分布的情况，比如：上图这种情况，明显是一个二次函数的分布。如果我们仍旧用线性回归...
Singular Values Decomposition 奇异值分解（SVD）
SQBbone的博客
10-12 549
Singular Values Decomposition 奇异值分解（SVD）1. Significance 意义2. Matrix SVD Exression 矩阵奇异值分解形式 1. Significance 意义 SVD也是对矩阵进行分解，但是和特征分解不同，SVD并不要求要分解的矩阵为方阵。 2. Matrix SVD Exression 矩阵奇异值分解形式 A=UΣVT A=UΣV^T A=UΣVT 其中UUU是一个m×mm×mm×m的矩阵，ΣΣΣ是一个m×nm×nm×n的矩阵，除了主对角线
isomap的matlab实现,流形学习（二） Isomap 在 MATLAB 中的实现及实例
weixin_35322457的博客
03-16 738
降维后的样本仍保持两两之间的距离假设我们原始样本为 降维后的样本为 我们试图寻找之间的关系。 我们引入中心化矩阵 不失一般性， 令降维后的样本是零均值的， 即. 令为内积矩阵，简单计算有 令 则有 也即为已知的(原始的距离矩阵)，经计算有由此我们可以算出矩阵, 之后 对矩阵B进行特征值分解，即 其中 (最大的前d个特征值、对应的特征向量)。算法步骤 MATLAB程序实...
Isomap算法的matlab实现
qq_41651719的博客
04-27 3774
Isomap算法的matlab实现 本人最近为了完成机器学习这门课的作业，查阅了Isomap的相关资料。现把matlab官网给出的Isomap代码贴在下面，方便新手使用。 同时把网址附在这里，https://www.mathworks.com/matlabcentral/fileexchange/62449-isomap-d-n_fcn-n_size-options。 function [Y, R...
机器学习matlab代码
12-01
以下是一个简单的机器学习matlab代码示例，用于训练一个线性回归模型并进行预测： ```matlab % 加载数据 data = load('data.txt'); X = data(:, 1); % 特征 y = data(:, 2); % 目标变量 % 绘制数据散点图 plot(X, y, 'rx', 'MarkerSize', 10); ylabel('Profit in $10,000s'); xlabel('Population of City in 10,000s'); % 初始化参数 theta = zeros(2, 1); % 迭代次数和学习率 iterations = 1500; alpha = 0.01; % 计算代价函数 m = length(y); J = computeCost(X, y, theta); % 梯度下降 for iter = 1:iterations theta = theta - (alpha/m) * X' * (X * theta - y); J_history(iter) = computeCost(X, y, theta); end % 绘制线性回归拟合直线 hold on; plot(X, X*theta, '-'); legend('Training data', 'Linear regression'); hold off; % 预测 predict1 = [1, 3.5] * theta; predict2 = [1, 7] * theta; fprintf('For population = 35,000, we predict a profit of %f\n', predict1*10000); fprintf('For population = 70,000, we predict a profit of %f\n', predict2*10000); % 代价函数 function J = computeCost(X, y, theta) m = length(y); J = 1/(2*m) * sum((X*theta - y).^2); end ```

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值