В этом примере показано, как создать классификаторы машины опорных векторов (SVM) в приложении Classification Learner, с помощью ionosphere набор данных, который содержит два класса. Можно использовать машину опорных векторов (SVM) с двумя или больше классами в Classification Learner. SVM классифицирует данные путем нахождения лучшей гиперплоскости, которая разделяет все точки данных одного класса от тех из другого класса. 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 ответ и переменные предикторы на основе их типа данных. Переменная отклика Group имеет два уровня. Все другие переменные являются предикторами.
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 создать выбор моделей SVM, на вкладке Classification Learner, в разделе Model Type, кликают по стрелке вниз, чтобы расширить список классификаторов, и под Support Vector Machines, нажать All SVMs.
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 одну из каждой nonoptimizable опции классификации SVM в галерее и подсвечивает лучший счет. Приложение обрисовывает в общих чертах в поле счет Accuracy лучшей модели.
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 другие модели в списке, чтобы выдержать сравнение.
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.
Выберите лучшую модель в Списке предыстории. Чтобы попытаться улучшить модель далее, попытайтесь изменить настройки SVM. На вкладке Classification Learner, в разделе Model Type, нажимают Advanced. Попытайтесь изменить настройки, затем обучите новую модель путем нажатия на Train. Для получения информации о настройках смотрите Машины опорных векторов.
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. Для моделей SVM см., также Генерируют код С для Прогноза.
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.