function Model_Selection(train_p,train_t,test_p,test_t,M)


   
      numperclu=[];
%       [cents,clu,numperclu]=Kmeans_batch_Clusting(train_p,M); % 用=Kmeans_batch_Clusting算法聚類,cents表示選取類的中心,
% %                                                                ...clu表示樣例所屬的類序號,numperclu每類包含訓練點個數；
      [clu,cents]=kmeans(train_p,M,'replicates',100,'maxiter',10000,'EmptyAction','singleton'); 
      Centers_num=size(cents,1); % 聚類后所得類的個數；
      for i=1:Centers_num
          numperclu(i)=size(clu(clu==i),1);
      end
      [R,width]=My_Width(train_p,cents,clu,numperclu,Centers_num);% 求每個中心的寬度，返回寬度矩陣R.(d×d×K),with為寬度向量
      H=My_Guass(train_p,cents,Centers_num,R);% 構造Guass函數矩陣H
      H1=pinv(H); % 求高斯矩陣H的偽逆H1；
      W=H1*(train_t) % 解權重矩陣W；
      [TrainErrorMSE,TrainErrorRate]=Train_Error(train_p,train_t,H,W);   % 求訓練MSE和訓練分類錯誤率
      [TestErrorMSE,TestErrorRate]=Test_Error(test_p,test_t,cents,W,R);  % 求測試MSE及測試分類錯誤率


% 顯示部分
TrainCorrectRate=1-TrainErrorRate
TestCorrectRate=1-TestErrorRate