在MATLAB^®,加载fisheriris数据集。

fishertable = readtable (“fisheriris.csv”）;

在应用程序选项卡,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,文件部分中,点击从工作区中新建会话>．

在“New Session from Workspace”对话框中，选择该表fishertable从数据集变量列表(如果有必要)。注意，应用程序根据数据类型选择了响应和预测变量。花瓣和萼片的长度和宽度是预测因素，而物种是你想要分类的反应。对于本例，不要更改选择。

点击开始会议．

分类学习者创建数据的散点图。

使用散点图来可视化哪些变量对预测响应有用。在X轴和y轴控件中选择不同的变量。观察哪些变量将类区分得最清楚。

训练两个非优化判别分析分类器，对分类学习者选项卡,模型类型部分中，单击向下箭头展开分类器列表，并在下面判别分析,点击所有的判别．

然后单击火车．

分类学习者训练每个分类选项中的一个，线性和二次判别器，并突出最好的分数。应用程序在一个方框中勾勒出准确性(验证)得分最好的模型(或模型)。分类学习者也显示第一个鉴别模型的验证混淆矩阵(线性判别）.

要查看模型的结果，请在模型窗格，并检查当前模型的总结窗格。的当前模型的总结窗格中显示培训结果度量，在验证集上计算。

选择第二个判别模型(二次判别)模型窗格，并检查每个类的预测的准确性。在分类学习者选项卡,情节节中，单击箭头打开图库，然后单击混淆矩阵(验证)在验证结果组。查看真实类和预测类结果的矩阵。

比较两种模型的结果。

有关不同模型类型的优势的信息，请参见判别分析．

选择最好的模型模型窗格(最佳分数在一个方框中高亮显示)。为了改进模型，尝试在模型中加入不同的功能。看看是否可以通过移除预测能力较低的特性来改进模型。

在分类学习者选项卡,特性部分中,点击特征选择．在Feature Selection对话框中，指定要从模型中移除的预测器，然后单击好吧．在培训部分中,点击火车用新的选项训练一个新的模型。的分类器之间的结果比较模型窗格。

要研究包含或排除的特征，可以使用平行坐标图。在分类学习者选项卡,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。

选择最好的模型模型窗格。为了进一步改进模型，请尝试更改分类器设置。在分类学习者选项卡,模型类型部分中,点击先进的．在对话框中，尝试更改设置并单击好吧．然后通过点击训练新模型火车在培训部分。有关设置的信息，请参见判别分析．

您可以将训练过的模型的完整或精简版本导出到工作区。在分类学习者选项卡,出口部分中,点击出口模式和选择出口模式或出口紧凑的模型．看到导出分类模型来预测新数据．

要检查训练该分类器的代码，请单击生成函数．

单击最右边的箭头模型类型部分展开分类器列表。

点击所有,然后单击火车．