В этом примере показано, как создать классификаторы ближайших соседей в приложении Classification Learner.
В MATLAB ® загрузите fisheriris и определите некоторые переменные из набора данных для использования в классификации.
fishertable = readtable('fisheriris.csv');
На вкладке Приложения в группе Машинное обучение и глубокое обучение щелкните Классификатор.
На вкладке «Классификатор» в разделе «Файл» выберите «Создать сеанс» > «Из рабочей области».
В диалоговом окне Создать сессию из рабочей области (New Session from Workspace) выберите таблицу fishertable из списка «Переменная набора данных» (при необходимости). Обратите внимание, что приложение выбрало переменные ответа и предиктора в зависимости от их типа данных. Длина и ширина лепестка и чашелистика являются предикторами, и вид является ответом, который вы хотите классифицировать. В этом примере не изменяйте выбранные значения.
Щелкните Начать сеанс (Start Session).
Приложение создает график разброса данных.
Используйте график рассеяния, чтобы выяснить, какие переменные полезны для прогнозирования ответа. Чтобы визуализировать распределение видов и измерений, выберите различные опции в меню Переменная на оси X и Переменная на оси Y. Обратите внимание, какие переменные наиболее четко разделяют цвета видов.
Чтобы создать набор моделей ближайших соседей, на вкладке Классификатор (Classification Learner) в правой части раздела Тип модели (Model Type) щелкните стрелку, чтобы развернуть список классификаторов, и в разделе Классификаторы ближайших соседей (Nearest Neighbor Classifiers) щелкните Все KNN (All KNN).
В разделе Обучение щелкните Обучение. 
Совет
При наличии Toolbox™ параллельных вычислений можно одновременно обучить все модели (все KNN), нажав кнопку Использовать параллельные (Use Parallel) в разделе Обучение (Training), прежде чем нажать кнопку Поезд (Train). После нажатия кнопки Обучить открывается диалоговое окно Открытие параллельного пула, которое остается открытым, пока приложение открывает параллельный пул работников. В течение этого времени взаимодействие с программным обеспечением невозможно. После открытия пула приложение одновременно обучает модели.
Модуль Classification Learner обучает одну из всех неоптимизируемых опций классификации ближайшего соседа в галерее и выделяет наилучший балл. Приложение отображает в рамке оценку точности (валидации) лучшей модели.
Выберите модель на панели Модели (Models), чтобы просмотреть результаты. Изучите график рассеяния для обучаемой модели. Символ X указывает на неправильно классифицированную точку.
Чтобы проверить точность прогнозов в каждом классе, на вкладке «Ученик по классификации» в разделе «Графики» щелкните «Матрица путаницы» и выберите «Данные проверки». Просмотр матрицы истинного класса и прогнозируемых результатов класса.
Выберите другие модели на панели Модели (Models) для сравнения.
Выберите лучшую модель (лучший балл выделен в рамке). Чтобы улучшить модель, попробуйте включить в нее различные элементы. Узнайте, можно ли улучшить модель, удалив элементы с низкой прогнозируемой мощностью.
На вкладке «Классификатор» в разделе «Элементы» выберите «Выбор элементов». В диалоговом окне Выбор элемента (Feature Selection) выберите предикторы, которые требуется удалить из модели, и нажмите кнопку Обучить (Train), чтобы обучить новую модель с помощью новых опций. Сравните результаты между классификаторами на панели Модели (Models).
Чтобы исследовать элементы для включения или исключения, используйте график параллельных координат. На вкладке «Классификатор» в разделе «Графики» выберите «Параллельные координаты».
Выберите лучшую модель на панели Модели (Models). Чтобы попытаться улучшить модель, попробуйте изменить настройки. На вкладке «Классификатор» в разделе «Тип модели» нажмите кнопку «Дополнительно». Попробуйте изменить настройку, а затем обучить новую модель, нажав кнопку Обучить (Train). Сведения о настройках и сильных сторонах моделей с ближайшими соседями см. в разделе Классификаторы ближайших соседей.
Чтобы экспортировать обученную модель в рабочее пространство, в разделе Экспорт (Export) панели инструментов щелкните Экспорт модели (Export model). См. раздел Экспорт модели классификации для прогнозирования новых данных.
Чтобы проверить код для обучения этому классификатору, щелкните Создать функцию.
Используйте тот же рабочий процесс для оценки и сравнения других типов классификаторов, которые можно обучить в Classification Learner.
Чтобы попробовать все неоптимизуемые стили модели классификатора, доступные для набора данных:
Щелкните стрелку справа в разделе Тип модели (Model Type), чтобы развернуть список классификаторов.
Щелкните Все (All), затем щелкните Поезд (Train).
Сведения о других типах классификаторов см. в разделе Модели классификации поездов в приложении Classification Learner App.