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'）;

在这一点应用程序选项卡,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，选择表渔业从这一点来数据集变量列表（如有必要）。观察到该应用程序基于其数据类型选择了选定的响应和预测变量。花瓣和萼片长度和宽度是预测的。物种是您想要分类的响应。对于此示例，请勿更改选择。

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．

在训练部分，点击训练．

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)最好的模型得分。

中选择一个模型模型窗格查看结果。检查训练模型的散点图。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，点击混乱矩阵并选择验证数据．查看真实类和预测类结果的矩阵。

选择其他模型模型窗格比较。

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,特色部分，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，然后单击训练使用新选项培训新模型。比较分类器中的结果模型窗格。

要调查包含或排除的功能，请使用散射和并行坐标图。在这一点分类学习者选项卡,绘图部分，选择平行坐标．

选择最好的模型在模型窗格。要尝试更好地改进模型，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．尝试更改设置，然后通过单击培训新模型训练．

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．

要将培训的模型导出到工作区，请选择“分类学习者”选项卡，然后单击出口模式．看到导出分类模型以预测新数据．

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，然后点击训练．