在MATLAB中^®命令窗口，加载carbig数据集，并创建一个包含不同变量的表。

负载carbigcartable = table(加速度，气缸，位移，.．.马力,Model_Year、重量、起源、MPG);

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,单击回归的学习者．

在回归的学习者选项卡，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cartable从数据集变量列表。

如图对话框所示，应用程序选择英里/加仑作为响应，其他变量作为预测。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。

“回归学习器”创建响应图，并在图上记录数字x设在。

使用响应图来研究哪些变量对预测响应有用。为了可视化不同预测因子与响应之间的关系，在X列表下轴在地块的右边。观察哪些变量与反应的相关性最明显。

创建核近似模型的选择。在回归的学习者选项卡，在模型部分，单击箭头打开图库。在核近似回归模型组中,单击所有的内核．

在火车部分中,点击火车都并选择火车都．

回归学习器训练库中每个核近似选项中的一个，以及默认的精细树模型。在模型窗格，应用程序概述RMSE(验证)(均方根误差)的最佳模型。

中选择模型模型窗格查看结果。在回归的学习者选项卡，在情节和解释部分，单击箭头打开图库，然后单击响应在验证结果组。检查训练模型的响应图。真实的反应是蓝色的，预测的反应是黄色的。

下轴中,选择马力检查一下反应图。真实反应和预测反应现在都被绘制出来了。显示预测误差，以预测响应和真实响应之间的垂直线绘制，方法是选择错误下面的复选框情节在地块的右边。

有关当前所选模型的详细信息，请参阅总结选项卡。检查并比较其他模型特征，如r平方(决定系数)、MAE(平均绝对误差)和预测速度。要了解更多信息，请参见在摘要选项卡和模型窗格中查看模型统计信息．在总结选项卡，您还可以找到当前所选模型类型的详细信息，例如用于训练模型的选项。

把预测反应和真实反应画出来。在回归的学习者选项卡，在情节和解释部分，单击箭头打开图库，然后单击预测与实际(验证)在验证结果组。使用此图来确定回归模型对不同响应值的预测效果如何。

一个完美的回归模型预测的响应等于真实的响应，所以所有的点都在一条对角线上。直线到任意一点的垂直距离就是对该点的预测误差。一个好的模型误差很小，所以预测结果分散在直线附近。一般来说，一个好的模型的点大致对称地分布在对角线周围。如果您可以在图中看到任何清晰的模式，您很可能可以改进您的模型。

对于每个剩余的模型，在模型窗格，打开预测图与实际图，然后比较各个模型的结果。有关更多信息，请参见通过改变布局来比较模型图．

为了改进模型，需要包含不同的特性。在模型画廊,选择所有的内核一次。看看是否可以通过去除低预测能力的特征来改进模型。在总结选项卡上,单击特征选择展开该部分。

在特征选择节，清除的复选框加速度而且气缸将它们从预测因子中排除。响应图显示，这些变量与响应变量不是高度相关的。

在火车部分中,点击火车都并选择火车都或选择火车用新的特征集训练核近似模型。

观察的新模型模型窗格。这些模型与之前的核近似模型相同，但只使用七个预测因子中的五个进行训练。对于每个模型，应用程序会显示使用了多少预测器。控件中的模型，单击模型窗格和咨询特征选择部份总结选项卡。

除去这两个特征的模型与所有预测因子的模型表现相当。使用所有预测因子与只使用其中一个子集相比，模型的预测效果并不好。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。

中选择模型模型窗格与最低验证RSME(最佳模型)，并查看残差图。在回归的学习者选项卡，在情节和解释部分，单击箭头打开图库，然后单击残差(验证)在验证结果组。残差图显示了预测响应和真实响应之间的差异。要将残差显示为折线图，请选择行下风格．

下轴，选择要在上绘图的变量x设在。选择真实反应、预测反应、记录数或其中一个预测因子。

通常，一个好的模型的残差大致对称地分布在0附近。如果你能在残差中看到任何清晰的模式，你很可能可以改进你的模型。

你可以尝试进一步改进最好的模型模型窗格，通过更改其超参数。首先，复制模型。在回归的学习者选项卡，在模型部分中,点击重复的．

然后，在总结，尝试更改一些超参数设置，如核尺度参数或正则化强度。通过单击来训练新模型火车都并选择选择火车．

要了解有关核近似模型设置的更多信息，请参见核逼近模型．

您可以将经过训练的模型的紧凑版本导出到工作区。在回归的学习者选项卡，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．请注意，任何一种选择都导出训练模型的紧凑版本，因为核近似模型不存储训练数据。看到导出回归模型预测新数据．

要查看用于训练此模型的代码，请单击生成函数在出口部分。

在回归的学习者选项卡，在模型部分，单击箭头打开回归模型库。

在开始组中,单击所有．

在火车部分中,点击火车都并选择火车都．