В этом примере показано, как создать классификаторы логистической регрессии в приложении Classification Learner, с помощью ionosphere набор данных, который содержит два класса. Можно использовать логистическую регрессию с двумя классами в Classification Learner. В ionosphere данные, переменная отклика является категориальной с двумя уровнями: g представляет хороший радар, возвращается, и b представляет плохой радар, возвращается.
В MATLAB® загрузите ionosphere набор данных и задает некоторые переменные из набора данных, чтобы использовать в классификации.
load ionosphere
ionosphere = array2table(X);
ionosphere.Group = Y;На вкладке Apps, в группе Machine Learning, нажимают Classification Learner.
На вкладке Classification Learner, в разделе File, нажимают New Session.
В диалоговом окне New Session заметьте, что приложение выбрало Group для переменной отклика и остальных как предикторы. Group имеет два уровня.
Нажмите Start Session.
Classification Learner создает график рассеивания данных.
Используйте график рассеивания, чтобы визуализировать, какие переменные полезны для предсказания ответа. Выберите различные переменные в средствах управления X-и Осью Y. Наблюдайте, какие переменные разделяют цвета класса наиболее ясно.
Чтобы обучить классификатор логистической регрессии, на вкладке Classification Learner, в разделе Model Type, кликают по стрелке вниз, чтобы расширить список классификаторов, и под Logistic Regression Classifiers, нажать Logistic Regression.
Затем нажмите Train. 
Если у вас есть Parallel Computing Toolbox™ затем в первый раз, когда вы нажимаете Train, вы видите диалоговое окно, в то время как приложение открывает параллельный пул рабочих. После того, как пул открывается, можно обучить несколько классификаторов целиком и продолжить работать.
Classification Learner обучает модель. Основы приложения в поле счет Accuracy лучшей модели (в этом случае, существует только одна модель).
Выберите модель в Списке предыстории, чтобы просмотреть результаты. Исследуйте график рассеивания на обученную модель и попытайтесь строить различные предикторы. Неправильно классифицированные точки показываются X.
Чтобы смотреть точность прогнозов в каждом классе, на вкладке Classification Learner, в разделе Plots, нажимают Confusion Matrix. Просмотрите матрицу истинного класса и предсказанных результатов класса.
Выберите лучшую модель в Списке предыстории (лучший счет подсвечен в поле). Чтобы улучшить модель, попробуйте включая различные функции в модели. Смотрите, можно ли улучшить модель путем удаления функций с низкой предсказательной силой.
На вкладке Classification Learner, в разделе Features, нажимают Feature Selection. В диалоговом окне Feature Selection задайте предикторы, чтобы удалить из модели и нажать Train, чтобы обучить новую модель с помощью новых опций. Сравните результаты среди классификаторов в Списке предыстории.
Чтобы исследовать функции, чтобы включать или исключить, используйте параллельный график координат. На вкладке Classification Learner, в разделе Plots, выбирают Parallel Coordinates Plot.
Чтобы экспортировать обученную модель в рабочую область, выберите вкладку Classification Learner и нажмите Export model. См. Модель Классификации Экспорта, чтобы Предсказать Новые Данные.
Чтобы исследовать код на обучение этот классификатор, нажмите Generate Function.
Используйте тот же рабочий процесс, чтобы оценить и сравнить другие типы классификатора, которые можно обучить в Classification Learner.
Попробовать все nonoptimizable предварительные установки модели классификатора, доступные для вашего набора данных:
Кликните по стреле на ультраправом из раздела Model Type, чтобы расширить список классификаторов.
Нажмите All, затем нажмите Train.
Чтобы узнать о других типах классификатора, смотрите, Обучают Модели Классификации в Приложении Classification Learner.