在MATLAB^®,加载fisheriris数据集并定义从数据集以用于分类的一些变量。

fishertable = readtable (“fisheriris.csv”)；

在应用程序标签，在机器学习和深度学习组中,单击分类学习者．

在分类学习者标签，在文件部分中,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fishertable从数据集变量列表(如果有必要)。观察应用程序根据数据类型选择响应和预测变量。花瓣和萼片的长度和宽度是预测因子。物种是你想要分类的反应。对于本例，不要更改选择。

点击开始课程．

分类学习者创建数据的散点图。

使用散点图来研究哪些变量对预测响应有用。在X轴和y轴控件中选择不同的变量，以可视化物种和测量值的分布。观察哪些变量能最清楚地区分物种的颜色。

创建一个选择的集合模型，在分类学习者标签，在模型类型节中，单击向下箭头以展开分类器列表，然后在合奏分类器,点击所有合奏．

在里面培训部分中,点击火车．

分类学习者在库中列出了每个非优化的合奏分类选项之一，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。

选择一个模型模型窗格以查看结果。检查训练模型的散点图。分类错误的点用X表示。

检查每个班级预测的准确性，在分类学习者标签，在情节部分中,点击混淆矩阵并选择验证数据．查看真实班级和预测班级结果的矩阵。

中选择其他模型模型窗格来比较。

选择最好的模型(最好的分数在准确性（验证）盒子）。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。

在分类学习者标签，在特性部分中,点击功能选择．在Feature Selection对话框中，指定要从模型中删除的预测器，然后单击火车用新的选项训练一个新的模型。的分类器之间比较结果模型窗格。

为了研究要包含或排除的特征，使用散点和平行坐标图。在分类学习者标签，在情节部分中,选择平行坐标．

选择最佳模型模型窗格。为了进一步改进模型，请尝试更改设置。在分类学习者标签，在模型类型部分中,点击先进的．尝试更改设置，然后单击训练新模型火车．

有关要尝试的设置和不同集成模型类型的优点的信息，请参见合奏分类器．

要将训练过的模型导出到工作空间，请选择Classification Learner选项卡并单击出口模式．看导出分类模型来预测新数据．

要检查培训此分类器的代码，请单击生成函数．

单击最右边的箭头模型类型节以展开分类器列表。

点击全部,然后单击火车．