在matlab.^®，加载渔民数据集并定义从数据集以用于分类的一些变量。

fishertable =可读性（'fisheriris.csv'）;

在这一点应用标签，在机器学习和深度学习组，点击分类学习者。

在这一点分类学习者标签，在文件部分，点击新会话>从工作区。

在“从工作区”对话框的“新会话”中，选择表渔业来自数据集变量列表（如有必要）。观察到该应用程序基于其数据类型选择了选定的响应和预测变量。花瓣和萼片长度和宽度是预测因子，并且物种是您想要分类的响应。对于此示例，请勿更改选择。

点击开始课程。

该应用程序创建数据的散点图。

使用散点图来调查哪些变量可用于预测响应是有用的。要可视化物种和测量的分布，请选择不同的选项X轴上的变量和y轴上的变量菜单。观察哪些变量最清晰地分离物种颜色。

创建一系列最近的邻居模型，在分类学习者标签，在最右边模型类型部分，单击箭头以展开分类器列表，并在下面最近的邻居分类器， 点击所有knns。

在里面训练部分，点击火车。

分类学习者列车在画廊中列出每个非优化的最近邻分类选项之一，并突出显示最佳分数。应用程序概述了一个框中准确性（验证）得分最佳模型。

选择一个模型楷模窗格查看结果。检查训练模型的散点图。x表示错误分类的点。

检查每个班级预测的准确性，在分类学习者标签，在绘图部分，点击混乱矩阵并选择验证数据。查看真实类和预测类结果的矩阵。

选择其他模型楷模窗格比较。

选择最佳型号（最佳分数在框中突出显示）。为了改进模型，尝试在模型中包括不同的功能。看看您是否可以通过删除具有低预测电源的功能来改进模型。

在这一点分类学习者标签，在特征部分，点击功能选择。在“功能选择”对话框中，选择要从模型中删除的预测器，然后单击火车使用新选项培训新模型。比较分类器中的结果楷模窗格。

要调查包含或排除的功能，请使用并行坐标绘图。在这一点分类学习者标签，在绘图部分，选择平行坐标。

选择最佳模型楷模窗格。要尝试更好地改进模型，请尝试更改设置。在这一点分类学习者标签，在模型类型部分，点击先进的。尝试更改设置，然后通过单击培训新模型火车。有关设置和不同最近邻模型类型的优势的信息，请参阅最近的邻居分类器。

将培训的模型导出到工作区，在出口ToolStrip的一部分，单击出口模式。看导出分类模型以预测新数据。

要检查培训此分类器的代码，请单击生成功能。

点击右边的箭头模型类型展开分类器列表的部分。

点击全部，然后点击火车。