在matlab.^®，加载渔民数据集，并从数据集中定义一些变量用于分类。

fishertable =可读性（'fisheriris.csv'）;

在这一点应用选项卡,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选项卡,文件部分，点击新会话>从工作区．

在“来自工作区的新会话”对话框中，选择表渔业来自数据集变量列表(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。

点击开始会议．

分类学习者创建数据的散点图。

使用散点图来调查哪些变量可用于预测响应是有用的。在X和Y轴控制中选择不同的变量以可视化物种和测量的分布。观察哪些变量最清晰地分离物种颜色。

创建一系列集合模型，在分类学习者选项卡,模型类型部分，单击向下箭头以展开分类器列表，然后集成分类器， 点击所有的集合体．

在里面训练部分，点击火车．

分类学习者训练图库中每个不可优化的集成分类选项中的一个，并突出显示最好的分数。该应用程序在一个框中勾勒出准确性(验证)得分最佳模型。分类学习者还显示了第一集合模型的验证混淆矩阵（增强树木）。

中选择一个模型楷模窗格以查看结果。例如，选择袋装树模型（型号1.2）。检查当前模型摘要窗格。这当前模型摘要窗格中显示培训结果在验证集上计算的指标。

检查训练模型的散点图。在这一点分类学习者选项卡,绘图部分，单击箭头以打开图库，然后单击散射在验证结果团体。错误分类的点被显示为X.

检查每节课预测的准确性分类学习者选项卡,绘图部分，单击箭头以打开图库，然后单击混乱矩阵（验证）在验证结果团体。查看真实类和预测类结果的矩阵。

选择其他模型楷模窗格中，打开每个模型的验证混淆矩阵，然后比较结果。

选择最佳型号（最佳分数突出显示准确性(验证)盒)。为了改进模型，尝试在模型中加入不同的功能。看看是否可以通过删除预测能力低的特征来改进模型。

在这一点分类学习者选项卡,特征部分，点击特征选择．在“功能选择”对话框中，指定要从模型中删除的预测器，然后单击好吧．在里面训练部分，点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。

为了研究要包含或排除的特征，使用散点和平行坐标图。在这一点分类学习者选项卡,绘图段，单击箭头以打开图库，然后单击平行坐标在验证结果团体。

选择最好的模型在楷模窗格。为了进一步改进模型，请尝试更改设置。在这一点分类学习者选项卡,模型类型部分，点击先进的．在“高级集合选项”对话框中，尝试更改一些设置并单击好吧．通过单击训练新模型火车在训练部分。

有关用于尝试和不同集合模型类型的优势的信息，请参阅集成分类器．

您可以将培训的模型的完整或紧凑版本的版本导出到工作区。在这一点分类学习者选项卡,出口部分，点击出口模式并选择任一个出口模式或出口紧凑型号．看到导出分类模型来预测新数据．

要检查用于训练此分类器的代码，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。

点击所有，然后点击火车．