使用分类学习者App训练判别分析分类器
这个例子展示了如何在Classification Learner应用程序中构造判别分析分类器，使用fisheriris数据集。你可以在Classification Learner中对两个或两个以上的类使用判别分析。
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New Session > From Workspace。
在New Session from Workspace对话框中，选择表格
fishertable从数据集变量列表(如果有必要)。观察到应用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变量，而物种是你想要分类的响应。对于本例，请不要更改选择。点击开始会议。
Classification Learner创建了数据的散点图。
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。
训练两个判别分析分类器(一个线性的，一个二次的)。在分类学习者选项卡,模型部分，点击箭头展开分类器列表，和下面判别分析,点击所有的判别。然后,在火车部分中,点击火车都并选择火车都。
请注意
如果你有并行计算工具箱™，那么应用程序有使用并行按钮默认开启。你点击后火车都并选择火车都或选择火车，该应用程序会打开一个平行的工人池。在此期间，你无法与该软件进行交互。池打开后，在模型并行训练的同时，你可以继续与应用程序交互。
如果您没有并行计算工具箱，那么应用程序有使用背景培训的复选框。火车都默认选择的菜单。在你选择一个训练模型的选项后，应用程序会打开一个后台池。池打开后，当模特在后台训练时，你可以继续与app互动。
Classification Learner训练图库中每个判别选项中的一个，以及默认的精细树模型。在模型窗格，应用程序概述在一个框准确性(验证)最佳模型(或多个模型)的评分。Classification Learner还显示了第一个判别模型的验证混淆矩阵(线性判别)。
请注意
验证在结果中引入了一些随机性。您的模型验证结果可能与本例中显示的结果不同。
要查看一个模型的结果，请在模型窗格，并检查总结选项卡。在分类学习者选项卡,模型部分中,点击总结。的总结选项卡显示了培训结果度量，在验证集上计算。
选择第二个判别模型(二次判别)模型窗格，并检查每类预测的准确性。在分类学习者选项卡,情节和解释部分，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成绩的矩阵。
比较两个判别模型的结果。有关不同模型类型的优势的信息，请参见判别分析。
选择最好的型号在模型窗格(最好的分数在一个框中突出显示)。为了改进模型，可以尝试在模型中加入不同的特征。看看是否可以通过删除预测能力较低的特征来改进模型。
首先，复制最好的模式。在分类学习者选项卡,模型部分中,点击重复的。
使用这些方法之一来调查要包含或排除的特征。
使用平行坐标图。在分类学习者选项卡,情节和解释节，点击箭头打开图库，然后点击平行坐标在验证结果组。保持能很好地区分类别的预测器。
在模型中总结选项卡，可以指定训练中要使用的预测器。点击特征选择展开部分，并指定要从模型中删除的预测器。
使用特征排序算法。在分类学习者选项卡,选项部分中,点击特征选择。在默认的特征选择选项卡中，指定要使用的特征排序算法，以及要在排名最高的特征中保留的特征数量。柱状图可以帮助你决定要使用多少个特征。
点击保存和应用保存您的更改。中的新功能选择应用于现有草稿模型模型窗格，并将应用于您使用图库创建的新草稿模型模型部分的分类学习者选项卡。
火车模型。在分类学习者选项卡,火车部分中,点击火车都并选择选择火车用新的选项训练模型。比较分类器之间的结果模型窗格。
选择最好的型号在模型窗格。要进一步改进模型，请尝试更改它的超参数。首先，通过点击复制模型重复的在模型部分。然后，尝试更改模型中的超参数设置总结选项卡。通过点击来训练新模型火车都并选择选择火车在火车部分。有关设置的信息，请参见判别分析。
您可以将经过训练的模型的完整或精简版本导出到工作区。在分类学习者选项卡,出口部分中,点击出口模式和选择出口模式或出口紧凑的模型。看到预测新数据的出口分类模型。
要检查训练此分类器的代码，请单击生成函数在出口部分。
使用相同的工作流来评估和比较你可以在Classification Learner中训练的其他分类器类型。
要尝试所有可用于数据集的不可优化分类器模型预设:
在分类学习者选项卡,模型节，点击箭头打开分类模型图库。
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。
要了解其他分类器类型，请参见在分类学习者App中训练分类模型。
相关的话题
您也可以从以下列表中选择一个网站: