在MATLAB^®,加载fisheriris数据集。

fishertable = readtable (“fisheriris.csv”）;

在应用程序选项卡,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,文件部分中,点击新会话>从工作区．

在“新建会话”对话框中，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，种类是你要分类的响应。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。

使用散点图来可视化哪些变量对预测响应是有用的。在X轴和y轴控件中选择不同的变量。观察哪些变量将类区分得最清楚。

训练两个非最优判别分析分类器，在分类学习者选项卡,模型类型节中，单击向下箭头以展开分类器列表，并在判别分析,点击所有的判别．

然后单击火车．

分类学习者训练图库中的每一个分类选项，线性和二次判别，并突出最好的分数。该应用程序在一个框中勾勒出精度最好的模型得分。

在History列表中选择一个模型以查看结果。检查训练模型的散点图，并尝试绘制不同的预测因子。分类错误的点用X表示。

检查每节课预测的准确性分类学习者选项卡,情节部分中,点击混淆矩阵．查看真实班级和预测班级结果的矩阵。

选择列表中的其他模型进行比较。

有关不同模型类型的强度的信息，请参见判别分析．

在历史记录列表中选择最好的型号(最好的分数在方框中高亮显示)。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。

在分类学习者选项卡,特性部分中,点击特征选择．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。比较History列表中分类器之间的结果。

要调查特征，包括或排除，使用平行坐标图。在分类学习者选项卡,情节部分中,选择平行坐标图．

在历史列表中选择最好的型号。为了进一步改进模型，请尝试更改分类器设置。在分类学习者选项卡,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．有关设置的信息，请参见判别分析．

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。

点击所有,然后单击火车．