在MATLAB中^®命令窗口，加载电离层数据集，并创建一个包含该数据的表。将表分成训练集和测试集。

负载电离层tbl = array2table(X);资源描述。Y= Y; rng(“默认”）%用于数据分割的再现性分区= cvpartition(Y，“坚持”, 0.15);idxTrain =训练(分区);%训练集的指数tblTrain = tbl(idxTrain，:);tblTest = tbl(~idxTrain，:);

或者，您可以稍后在将数据导入应用程序时创建一个测试集。有关更多信息，请参阅(可选)为测试预留数据．

开放分类学习者。单击应用程序选项卡，然后单击右侧的箭头应用程序部分打开应用程序库。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,点击新会话并选择从工作空间．

在“从工作区新建会话”对话框中，选择tblTrain表中的数据集变量列表。

如对话框所示，应用程序选择响应和预测变量。默认响应变量为Y．为了防止过度拟合，默认的验证选项是5倍交叉验证。对于本例，不要更改默认设置。

若要接受默认选项并继续，请单击开始会议．

训练所有预设模型。在分类学习者选项卡，在模型部分，单击箭头打开图库。在开始组中,单击所有．在火车部分中,点击火车都并选择火车都．该应用程序训练每种预设模型类型中的一种，以及默认的精细树模型，并在模型窗格。

根据验证精度对训练模型进行排序。在模型窗格，打开排序列出并选择准确性(验证)．

在模型窗格中，单击具有最高验证精度的三个模型旁边的星形图标。该应用程序通过在方框中概述来突出最高的验证准确性。在这个例子中，训练有素的中等高斯支持向量机模型具有最高的验证精度。

该应用程序显示第二个精细树模型(模型2.1)的验证混淆矩阵。蓝色值表示正确的分类，红色值表示错误的分类。的模型左边的窗格显示了每个模型的验证精度。

检查性能最好的模型的测试集性能。首先将测试数据导入应用程序。

在分类学习者选项卡，在测试部分中,点击测试数据并选择从工作空间．

在“导入测试数据”对话框中，选择tblTest表中的测试数据集变量列表。

如对话框所示，应用程序识别响应和预测变量。

点击进口．

计算精度的最佳预设模型上tblTest数据。为方便起见，一次性计算所有模型的测试集精度。在分类学习者选项卡，在测试部分中,点击测试所有并选择测试所有．该应用程序计算在完整数据集(包括训练和验证数据)上训练的模型的测试集性能。

根据测试集精度对模型进行排序。在模型窗格，打开排序列出并选择准确性(测试)．该应用程序仍然概述了具有最高验证精度的模型的度量，尽管显示了测试精度。

可视化地检查模型的测试集性能。对于每个带星号的模型，在模型窗格。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(测试)在测试结果组。

重新排列图的布局，以便更好地进行比较。首先，关闭的摘要和绘图选项卡模型1和2.1模型．然后，单击位于模型绘图选项卡最右边的Document Actions箭头。选择瓷砖都选项并指定1 × 3的布局。单击隐藏图形选项按钮在图的右上方为图腾出更多的空间。

在这个例子中，训练有素的中等高斯支持向量机模型仍然是测试集数据上表现最好的模型之一。

若要返回原始布局，可单击布局按钮。情节部分并选择单型号(默认)．

比较被训练者的验证和测试准确性中等高斯支持向量机模型。在模型窗格中，双击模型。在模型中总结选项卡，比较准确性(验证)值下培训结果到准确性(测试)值下测试结果．在本例中，验证精度高于测试精度，这表明验证精度可能高估了该模型的性能。