在MATLAB中^®命令窗口，加载fisheriris数据集，并从数据集中的变量创建一个表用于分类。

渔场=可读表(“fisheriris.csv”）;

单击应用程序选项卡，然后单击显示更多右边的箭头打开应用程序库。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,点击新会话并选择从工作空间．

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)。观察应用程序已经根据它们的数据类型选择了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5倍交叉验证，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。中选择不同的选项X而且Y列表下预测使物种分布和测量可视化。注意哪些变量能最清楚地区分物种颜色。

创建一个神经网络模型的选择。在分类学习者选项卡，在模型部分，单击箭头打开图库。在神经网络分类器组中,单击所有神经网络．

在火车部分中,点击火车都并选择火车都．

分类学习器训练图库中每个神经网络分类选项中的一个，以及默认的精细树模型。在模型窗格，应用程序概述准确性(验证)最佳模型得分。Classification Learner还显示了第一个神经网络模型的验证混淆矩阵(狭义神经网络）.

中选择模型模型窗格查看结果。例如，双击狭义神经网络模型(2.1模型)。检查模型总结选项卡，它显示培训结果在验证集上计算的度量。

检查训练模型的散点图。在分类学习者选项卡，在情节部分，单击箭头打开图库，然后单击散射在验证结果组。正确分类的点用O标记，错误分类的点用X标记。

检查每节课预测的准确性。在分类学习者选项卡，在情节部分，单击箭头打开图库，然后单击混淆矩阵(验证)在验证结果组。查看真实班级和预测班级结果的矩阵。

对于每个剩余的模型，在模型窗格中，打开验证混淆矩阵，然后比较各个模型的结果。

选择最好的模型模型窗格中突出显示的最佳分数准确性(验证)盒)。看看是否可以通过去除低预测能力的特征来改进模型。

首先复制最好的模型。在分类学习者选项卡，在模型部分中,点击重复的．

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，单击箭头打开图库，然后单击平行坐标在验证结果组。

您可以在模型中指定训练期间要使用的预测器总结选项卡。点击特征选择展开部分，并指定要从模型中删除的预测器。

或者，您可以使用特征排序算法来确定在模型训练期间使用哪些特征。在分类学习者选项卡，在选项部分中,点击特征选择．在默认特性选择选项卡，指定要使用的特征排序算法。指定要保留在最高级别特性中的特性数量。您可以使用条形图来帮助决定使用多少功能。

点击保存并应用以保存更改。中的现有模型草案应用了新的特征选择模型窗格中，并将应用于使用图库创建的新草稿模型模型部份分类学习者选项卡。

训练模型。在分类学习者选项卡，在火车部分中,点击火车都并选择选择火车使用新的选项来训练模型。中的分类器之间的结果进行比较模型窗格。

选择最好的模型模型窗格。为了进一步改进模型，可以改变其超参数。方法复制模型重复的按钮。模型部分。然后，尝试改变模型中的超参数设置，比如全连接层的大小或正则化强度总结选项卡。通过单击来训练新模型火车都并选择选择火车在火车部分。

要了解有关神经网络模型设置的更多信息，请参见神经网络分类器．

您可以将训练过的模型的完整或紧凑版本导出到工作区。在分类学习者选项卡，在出口部分中,点击出口模式选择其中之一出口模式或出口紧凑型．看到导出分类模型预测新数据．

若要查看用于训练此分类器的代码，请单击生成函数在出口部分。

在分类学习者选项卡，在模型部分，单击箭头打开模型库。

在开始组中,单击所有．然后，在火车部分中,点击火车都并选择火车都．