在MATLAB中^®命令窗口，加载Fisher虹膜数据集，并使用数据集中的变量创建测量预测器(或特征)表。

渔场=可读表(“fisheriris.csv”）;

单击应用程序选项卡，然后单击右侧的箭头应用程序部分打开应用程序库。在机器学习和深度学习组中,单击分类学习者．

在分类学习者选项卡，在文件部分中,选择从工作区中创建会话>．

在“从工作区新建会话”对话框中，选择表fishertable从数据集变量列出(如有必要)。

如对话框所示，应用程序根据数据类型选择响应变量和预测变量。花瓣和萼片的长度和宽度是预测因子，而物种是你想要分类的响应。对于本例，不要更改选择。

若要接受默认验证方案并继续，请单击开始会议．默认的验证选项是交叉验证，以防止过拟合。

分类学习器创建数据的散点图。

使用散点图来研究哪些变量对预测响应有用。上选择不同的选项X而且Y列表下预测使物种分布和测量可视化。观察哪些变量将物种的颜色区分得最清楚。

的setosa物种(蓝色点)很容易从其他两个物种中分离出来。的多色的而且virginica物种在所有预测测量和重叠中都更接近，特别是当你绘制萼片长度和宽度时。setosa比其他两个物种更容易预测。

创建一个朴素贝叶斯模型。在分类学习者选项卡，在模型类型部分，单击箭头打开图库。在朴素贝叶斯分类器组中,单击高斯朴素贝叶斯．注意，分类学习器禁用先进的按钮。模型类型部分，因为这种类型的模型没有高级设置。

在培训部分中,点击火车．

该应用程序创建一个高斯朴素贝叶斯模型，并绘制结果。

应用程序显示高斯朴素贝叶斯模型中的模型窗格。中检查模型验证分数准确性(验证)盒子。分数表明该模型表现良好。

为高斯朴素贝叶斯默认情况下，该应用程序使用高斯分布对数值预测器的分布建模，并使用多元多项分布(MVMN)对类别预测器的分布建模。

检查散点图。X表示错误分类的点。蓝色的点(setosa物种)都是正确的分类，但其他两个物种有错误的分类点。下情节，在数据而且模型的预测选项。观察错误(X)点的颜色。或者，要只查看不正确的点，请清除正确的复选框。

训练一个核朴素贝叶斯模型进行比较。在分类学习者选项卡，在模型类型部分中,点击核朴素贝叶斯．注意，分类学习器启用先进的按钮，因为这种类型的模型有高级设置。

程序中显示了一个内核朴素贝叶斯模型草案模型窗格。

在模型类型部分中,点击先进的在“高级朴素贝叶斯选项”对话框中更改设置。选择三角形从内核类型列表，并选择积极的从万博1manbetx列表。

在培训部分中,点击火车训练新模型。

的模型窗格现在包含了新的内核朴素贝叶斯模型。其模型验证得分优于高斯朴素贝叶斯模型。该应用程序突出显示准确性(验证)通过在一个框中勾勒出最佳模型的分数。

在模型窗格中，单击每个模型以查看和比较结果。

同时训练高斯朴素贝叶斯模型和核朴素贝叶斯模型。在分类学习者选项卡，在模型类型部分中,点击全朴素贝叶斯．分类学习器禁用先进的按钮。在培训部分中,点击火车．

该应用程序训练每种朴素贝叶斯模型类型之一，并突出显示准确性(验证)最佳模型或模型得分。

在模型窗格中，单击模型以查看结果。检查训练模型的散点图，并尝试绘制不同的预测因子。错误分类的点以X表示。

为了检查每个班级预测的准确性，在分类学习者选项卡，在情节部分中,点击混淆矩阵并选择验证数据．该应用程序显示了真实班级和预测班级结果的矩阵。

在模型窗格中，单击其他模型并比较它们的结果。

在模型窗格中，单击最高的模型准确性(验证)得分。要改进模型，请尝试修改其特征。例如，看看是否可以通过去除低预测能力的特征来改进模型。

在分类学习者选项卡，在特性部分中,点击特征选择．

在“功能选择”对话框中，清除为的复选框PetalLength而且PetalWidth将它们从预测因子中排除。一个新的模型草案(模型4)出现在模型窗格的新设置(2/4特征)，基于内核朴素贝叶斯模型(模型3.2)。

在培训部分中,点击火车使用新的预测器选项来训练一个新的内核朴素贝叶斯模型。

的模型窗格现在包括模型4。它也是一个内核朴素贝叶斯模型，仅使用4个预测因子中的2个进行训练。

属性中的模型，以确定包含哪些预测因子模型窗格，然后单击特征选择在特性部分，并注意选中了哪些复选框。只有萼片测量的模型(模型4)的值要低得多准确性(验证)得分高于包含所有预测因子的模型。

训练另一个只包含花瓣测量值的核朴素贝叶斯模型。更改“功能选择”对话框中的选择，然后单击火车．

仅使用花瓣测量训练的模型(模型5)的表现与包含所有预测因子的模型相当。与仅使用花瓣测量相比，使用所有测量结果的模型预测结果并不更好。如果数据收集是昂贵的或困难的，您可能更喜欢一个没有一些预测器就能令人满意地执行的模型。

要研究要包含或排除的特征，请使用平行坐标图。在分类学习者选项卡，在情节部分中,点击平行坐标．

在模型窗格中，单击最高的模型准确性(验证)得分。要进一步改进模型，请尝试更改朴素贝叶斯设置(如果可用)。在分类学习者选项卡，在模型类型部分中,点击先进的．回想一下先进的按钮仅对某些型号启用。更改设置，然后通过单击来训练新模型火车．

将训练好的模型导出到工作区。在分类学习者选项卡，在出口部分中,选择导出模型>导出模型．看到导出分类模型预测新数据．

检查训练这个分类器的代码。在出口部分中,点击生成函数．

上的箭头模型类型部分打开分类器库。

在开始组中,单击所有，然后按火车在培训部分。