用于不同分类器的决策曲面

每个分类算法生成不同的决策规则。这些规则可以以决策表面的形式可视化。此示例演示了用于不同分类算法的决策表面。

加载数据

加载数据以查看孤立物种之间的萼片测量值。您可以使用包含Sepal测量的两列。

清除负荷渔民X = MEAS（：，1：2）;Y =分类（物种）;标签=类别（Y）;图（1）G谓词（x（：，1），x（:,2），物种，'RGB'那'OSD'）;Xlabel（'萼片长度'）;ylabel（'萼片宽度'）;

培训四个不同的分类器并将模型存储在单元格数组中

分类器{1} = naivebayes.fit（x，y）;分类器{2} = classificationddiscriminant.fit（x，y）;分类器{3} = classificationtree.fit（x，y）;分类器{4} = classificationknn.fit（x，y）;classifier_name = {'天真的贝父'那'判别分析'那'分类树'那'最近的邻居'};

使用所有分类器预测物种

Meshgrid.用于在实际数据值的某些范围内创建生长整个空间的点网格。每个分类器用于对网格中的所有数据进行分类。

[xx1，xx2] = meshgrid（4：.01：8,2：.01：4.5）;图（2）为了II = 1：NUMER（分类器）YPRED =预测（分类器{II}，[xx1（:) xx2（:)]）;h（ii）=子图（2,2,i，ii）;gsfatter（xx1（:)，xx2（:)，ypred，'RGB'）;标题（classifirder_name {ii}，'字体大小'，15）传奇离开，轴紧的结尾传奇（H（1），标签，'地点'，[0.35,0.01,0.35,0.05]，'方向'那'水平的'的）

数据集和参考文献

Fisher的IRIS数据包括萼片长度，萼片宽度，花瓣长度和花瓣宽度的测量，适用于150个虹膜标本。三种物种中有50个标本。此数据集已附带统计和机器学习工具箱™。