В этом примере показано, как создать ансамбли классификаторов в приложении Classification Learner. Комбинация классификаторов ансамбля следует из многих слабых учеников в один высококачественный предиктор ансамбля. Качества зависят от выбора алгоритма, но классификаторы ансамбля имеют тенденцию не спешить соответствовать, потому что им часто нужны многие ученики.
В MATLAB® загрузите fisheriris набор данных и задает некоторые переменные из набора данных, чтобы использовать в классификации.
fishertable = readtable('fisheriris.csv');
На вкладке Apps, в группе Machine Learning and Deep Learning, нажимают Classification Learner.
На вкладке Classification Learner, в разделе File, нажимают New Session > From Workspace.
В диалоговом окне New Session выберите таблицу fishertable из списка Data Set Variable (при необходимости). Заметьте, что приложение выбрало ответ и переменные предикторы на основе их типа данных. Лепесток и длина чашелистика и ширина являются предикторами. Разновидность является ответом, который вы хотите классифицировать. В данном примере не изменяйте выборы.
Нажмите Start Session.
Classification Learner создает график рассеивания данных.
Используйте график рассеивания, чтобы заняться расследованиями, какие переменные полезны для предсказания ответа. Выберите различные переменные в средствах управления X-и Осью Y, чтобы визуализировать распределение разновидностей и измерения. Наблюдайте, какие переменные разделяют цвета разновидностей наиболее ясно.
Чтобы создать выбор моделей ансамбля, на вкладке Classification Learner, в разделе Model Type, кликают по стрелке вниз, чтобы расширить список классификаторов, затем под Ensemble Classifiers, нажать All Ensembles.
В разделе Training 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 ансамблей 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. Неправильно классифицированные точки показываются X.
Чтобы смотреть точность предсказаний 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 Accuracy). 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 рассеяние и найдите что-либо подобное графикам 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. 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, чтобы попытаться сильные места различных типов модели ансамбля, смотрите Классификаторы Ансамбля.
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.