在Matlab^®，加载渔业数据集并定义来自数据集的一些变量，以用于分类。

fishertable =可读取（“ fisheriris.csv”）；

在应用标签，在机器学习和深度学习小组，单击分类学习者。

在分类学习者标签，在文件部分，单击新会话>来自工作区。

在工作区对话框的新会话中，选择表可以鱼来自数据集变量列表（如有必要）。观察该应用程序根据其数据类型选择了响应和预测变量。花瓣长度和宽度是预测指标。物种是您要分类的反应。对于此示例，请勿更改选择。

点击开始会话。

分类学习者创建数据的散点图。

使用散点图研究哪些变量可用于预测响应。选择X轴和Y轴控制中的不同变量以可视化物种和测量的分布。观察哪些变量最清楚地将物种颜色分开。

训练选择合奏模型的选择分类学习者标签，在楷模部分，单击向下箭头以展开分类器列表，然后在下面合奏分类器， 点击所有合奏。然后，在火车部分，单击训练全部并选择训练全部。

分类学习者在画廊中训练每个集合分类选项之一，以及默认的细树模型。在里面楷模窗格，该应用在盒子里概述准确性（验证）最佳模型的得分。分类学习者还显示第一个集合模型的验证混淆矩阵（增强树）。

在楷模窗格查看结果。例如，选择子空间判别型号（模型2.3）。检查模型概括标签，显示培训结果指标，根据验证集计算。

检查训练有素的模型的散点图。在分类学习者标签，在情节部分，单击箭头打开画廊，然后单击分散在里面验证结果团体。错误分类点显示为X。

检查每个班级预测的准确性。在分类学习者标签，在情节部分，单击箭头打开画廊，然后单击混淆矩阵（验证）在里面验证结果团体。查看真实类和预测类结果的矩阵。

对于每个剩余模型，选择楷模窗格，打开验证混淆矩阵，然后比较整个模型的结果。

选择最佳模型（最佳分数在准确性（验证）盒子）。为了改善模型，请尝试在模型中包含不同的功能。查看是否可以通过删除具有低预测能力的功能来改进模型。

首先复制最佳模型。在分类学习者标签，在楷模部分，单击复制。

要调查要包含或排除的功能，请使用并行坐标图。在分类学习者标签，在情节部分，单击箭头打开画廊，然后单击平行坐标在里面验证结果团体。保持预测指标，可以很好地分开类。

您可以指定在模型中培训期间要使用的预测指标概括标签。点击功能选择扩展该部分，并指定预测因子以从模型中删除。

另外，您可以使用功能排名算法来确定在模型培训期间要使用的功能。在分类学习者标签，在选项部分，单击功能选择。在里面默认功能选择选项卡，指定要使用的功能排名算法。指定要保持最高排名功能的功能数量。您可以使用条形图来帮助确定要使用多少个功能。

点击保存并申请保存您的更改。新功能选择应用于现有的草稿模型楷模窗格，将应用于您使用画廊中创建的新草稿模型楷模部分分类学习者标签。

训练模型。在分类学习者标签，在火车部分，单击训练全部并选择选择火车使用新选项训练模型。比较分类器中的结果楷模窗格。

选择最佳模型楷模窗格。为了进一步改善模型，请尝试更改其超参数。首先，使用复制按钮楷模部分。然后，尝试更改模型中的超参数设置概括标签。点击训练新模型训练全部和选择选择火车在里面火车部分。

有关设置的信息以及不同合奏模型类型的优势，请参见合奏分类器。

您可以将经过训练的模型的完整或紧凑版本导出到工作区。在分类学习者标签，在出口部分，单击导出模型然后选择导出模型或者导出紧凑型模型。看导出分类模型预测新数据。

要检查培训此分类器的代码，请单击生成功能。

在分类学习者标签，在楷模部分，单击箭头以打开分类模型的画廊。

在里面开始小组，单击全部。然后，在火车部分，单击训练全部并选择训练全部。