在MATLAB^®，加载fisheriris数据集，并使用数据集中的变量创建用于分类的度量预测器(或特征)表。

渔场=可读表(“fisheriris.csv”）;

在应用程序选项卡，在机器学习和深度学习组中,单击分类学习者．

在分类学习者选项卡，在文件部分中,点击从工作区中创建会话>．

在“从工作区新建会话”对话框中，选择表fishertable从数据集变量列出(如有必要)。

观察应用程序已经根据它们的数据类型选择了响应变量和预测变量。花瓣和萼片的长度和宽度是预测因子，而物种是你想要分类的响应。对于本例，不要更改选择。

若要接受默认验证方案并继续，请单击开始会议．默认的验证选项是交叉验证，以防止过拟合。

分类学习器创建数据的散点图。

使用散点图来研究哪些变量对预测响应有用。上选择不同的选项X而且Y列表下预测使物种分布和测量可视化。观察哪些变量将物种的颜色区分得最清楚。

观察到setosa物种(蓝色点)很容易从其他两个物种中分离出来。的多色的而且virginica在所有的预测测量中，物种之间的距离要近得多，尤其是当你绘制萼片的长度和宽度时。setosa比其他两个物种更容易预测。

要创建分类树模型，请在分类学习者选项卡，在模型类型部分，单击向下箭头展开图库，然后单击粗树．然后单击火车．

该应用程序创建一个简单的分类树，并绘制结果。

观察粗树模型中的模型窗格。中检查模型验证分数准确性(验证)盒子。该模式表现良好。

单击散点图Plot选项卡用于检查散点图。X表示错误分类的点。蓝色的点(setosa物种)的分类都是正确的，但其他两个物种的一些分类是错误的。下情节，在数据而且模型的预测选项。观察错误(X)点的颜色。或者，在绘制模型预测图时，若要只查看不正确的点，请清除正确的复选框。

训练不同的模型进行比较。点击中树，然后按火车．

当你点击火车时，应用程序将显示一个新模型模型窗格。

观察中树模型中的模型窗格。模型验证得分并不比粗树得分好。该应用程序在方框中概述准确性(验证)最佳模型得分。中的每个模型单击模型窗格以查看和比较结果。

的散点图中树模型。在分类学习者选项卡，在情节部分，单击箭头打开图库，然后单击散射在验证结果组。中间树和前面的粗树一样可以正确地分类许多点。您希望避免过拟合，而粗树表现良好，因此所有进一步的模型都基于粗树。

选择粗树在模型窗格。为了改进模型，可以尝试在模型中包含不同的特性。看看是否可以通过去除低预测能力的特征来改进模型。

在分类学习者选项卡，在特性部分中,点击特征选择．

在“功能选择”对话框中，清除为的复选框PetalLength而且PetalWidth将它们从预测因子中排除。点击好吧．一个新的模型草案出现在模型窗格与你的新设置2/4功能，基于粗树。

点击火车使用新的预测器选项训练一个新的树模型。

观察第三个模型模型窗格。它也是粗树模型，仅使用4个预测因子中的2个进行训练。该应用程序显示有多少预测器被排除。属性中的模型，以查看包含哪些预测因子模型窗格，并观察“功能选择”对话框中的复选框。只有萼片测量的模型比只有花瓣的模型精度低得多。

训练另一个模型，只包括花瓣的测量。更改“功能选择”对话框中的选择，然后单击好吧．然后单击火车．

仅使用花瓣测量训练的模型与包含所有预测因子的模型表现相当。与仅使用花瓣测量相比，使用所有测量结果的模型预测结果并不更好。如果数据收集是昂贵的或困难的，您可能更喜欢一个没有一些预测器就能令人满意地执行的模型。

重复训练两个以上的模型，包括宽度测量和长度测量。几个模型的得分差别不大。

通过检查每个班级的表现，在得分相近的模型中选择一个最佳模型。选择包含所有预测符的粗树。为了检查每个班级预测的准确性，在分类学习者选项卡，在情节部分，单击箭头打开图库，然后单击混淆矩阵(验证)在验证结果组。使用此图可以了解当前选择的分类器在每个类中的执行情况。查看真实班级和预测班级结果的矩阵。

通过检查对角线上显示高数字和红色的单元格，寻找分类器表现不佳的区域。在这些红色的单元格中，真实的类别和预测的类别不匹配。数据点被错误分类了。

在该图中，检查中间行的第三个单元格。在这个单元格中，真正的类是多色的，但模型错误地将这些点分类为virginica．对于这个模型，单元格显示3个错误分类(您的结果可能不同)。要查看百分比而不是观测值的数量，请选择真阳性率选择下情节控制。

您可以使用这些信息来帮助您选择最适合您的目标的模型。如果这个类别中的假阳性对你的分类问题非常重要，那么选择最好的模型来预测这个类别。如果假阳性在这个类别中不是很重要，并且预测因子较少的模型在其他类别中表现更好，那么选择一个模型来权衡一些整体准确性，以排除一些预测因子，并使未来的数据收集更容易。

比较中每个模型的混淆矩阵模型窗格。检查“特征选择”对话框以查看每个模型中包含哪些预测器。

要研究要包含或排除的特征，请使用散点图和平行坐标图。在分类学习者选项卡，在情节部分，单击箭头打开图库，然后单击平行坐标在验证结果组。您可以看到，花瓣长度和花瓣宽度是区分类的最佳特征。

要了解模型设置，请在模型窗格并查看高级设置。中的不可优化模型选项模型类型图库是预设的起点，您可以更改进一步的设置。在分类学习者选项卡，在模型类型部分中,点击先进的．中的简单树模型和中等树模型进行比较模型窗格中，并在“高级树选项”对话框中观察差异。的最大分割次数设置控制树的深度。

为了进一步改进粗树模型，对最大分割次数设置后单击好吧．然后，通过点击训练一个新的模型火车．

中查看所选训练模型的设置当前模型总结窗格中，或在“高级树选项”对话框中。

要将经过最佳训练的模型导出到工作区，请在分类学习者选项卡，在出口部分中,点击出口模式并选择出口模式．在“导出模型”对话框中，单击好吧接受默认变量名trainedModel．

在命令窗口中查看有关结果的信息。

为了可视化你的决策树模型，输入:

视图(trainedModel。分类Tree,“模式”，“图”）

您可以使用导出的分类器对新数据进行预测。例如，预测fishertable数据在您的工作空间，输入:

yfit = trainedModel.predictFcn(渔场表)

如果您想用新数据自动训练相同的分类器，或学习如何以编程方式训练分类器，您可以从应用程序生成代码。要为训练过的最佳模型生成代码，请在分类学习者选项卡，在出口部分中,点击生成函数．

该应用程序从你的模型生成代码，并在MATLAB编辑器中显示文件。要了解更多信息，请参见生成MATLAB代码，用新数据训练模型．

界面最右侧的箭头模型类型节展开分类器列表。

点击所有，然后按火车．