Al desarrollar un model de clasificación预测的高质量，重要的选择的las características (o predictores)正确的y ajustar los hiperparámetros (parámetros del modelo que no se han estimado)。

La selección de características y el ajuste delos hiperparámetros pueden arrojar变异模型。Puede比较las tasas de errors de clasificación dek迭代，曲线ROC, por sus siglas en inglés) o las matrices de confusión entre los modelos。También puede realizar una prueba estadística para detectar si un modelo de clasificación超级重要的外星人。

Para extrer nuevas características antes de entrenar un modelo de clasificación，效用gencfeatures．

Para desarrollar y评估模型clasificación形式上的交互，应用程序分类学习者．

Para seleccionar automáticamente un modelo con hiperparámetros ajustados, utilicefitcauto．Esta función prueba una selección de tipos de modelos de clasificación con valores en los hiperparámetros y deuelve un modelo final que se prevé que funcione bien con los nuevos datos。Utilicefitcauto在SUS数据中没有sepa con seguridad和tipo的分类。

Para ajustar los hiperparámetros de un modelo concrete, seleccione los valores hiperparámetros y realice una validación cruzada del modelo con dichos valores。Por ejemplo, para ajustar un modelo SVM, elija un conjunto de restricciones de cajas y escalas de kernel y, después, realice una validación cruzada de modelo para cada par de valores。Determinadas funciones de clasificación de Statistics and Machine Learning Toolbox™ofrecen un ajuste automático de los hiperparámetros mediante optimización bayesiana, búsqueda por cuadrículas o búsqueda aleatoria。bayesopt， la función主要para implementar la optimización bayesiana, es también灵活的para muchas otras aplicaciones。Consulte贝叶斯优化流程．

Para interpretar un modelo de clasificación, puede utilzar石灰，沙普利yplotPartialDependence．