MATLAB 分类学习器：交互式机器学习建模指南

机器学习在数据分类任务中发挥着重要作用，而 MATLAB 提供的 Classification Learner App（分类学习器） 让机器学习建模变得更加直观和高效。本文将从零开始介绍如何使用分类学习器进行数据分类，涵盖数据准备、模型训练、评估及导出模型的完整流程。

目录

1. 什么是分类学习器？

2. 启动分类学习器

方法 1：通过 MATLAB 命令窗口

方法 2：通过 MATLAB 工具栏

3. 数据准备

示例：加载鸢尾花数据集

4. 使用分类学习器

步骤 1：导入数据

步骤 2：选择模型

步骤 3：训练与评估

步骤 4：优化模型

5. 导出模型

6. 总结

---

1. 什么是分类学习器？

Classification Learner 是 MATLAB 提供的一个交互式 App，用于：

• 训练分类模型（如 SVM、决策树、随机森林、神经网络等）。

• 自动比较不同算法 的性能。

• 可视化分类结果（如混淆矩阵、ROC 曲线）。

• 导出模型 用于后续预测或部署。

适用场景：

• 监督学习（需要带标签的数据）。

• 二分类（如垃圾邮件检测）或多分类（如手写数字识别）。

2. 启动分类学习器

方法 1：通过 MATLAB 命令窗口

classificationLearner

方法 2：通过 MATLAB 工具栏

1. 点击 APP 选项卡。

2. 在 Machine Learning and Deep Learning 部分选择 Classification Learner。

---

3. 数据准备

分类学习器要求输入数据为 表格（Table） 或 矩阵（Matrix），其中：

• 每一行 代表一个样本。

• 每一列 代表一个特征。

• 最后一列（或单独指定）是 类别标签（必须为分类变量 categorical）。

示例：加载鸢尾花数据集

load fisheriris;                % 加载内置数据集
data = table(meas, species);   % 转换为表格

确保标签列是 categorical：

data.species = categorical(data.species);

4. 使用分类学习器

步骤 1：导入数据

1. 在分类学习器中，点击 New Session。

2. 选择数据源（如 data 表格）。

3. 指定 特征变量（meas）和 响应变量（species）。

步骤 2：选择模型

• 快速训练：点击 All 训练所有可用模型（如决策树、SVM、集成方法等）。

• 手动选择：在 Models 部分选择特定算法（如 SVM、Random Forest）。

步骤 3：训练与评估

1. 点击 Train 训练所选模型。

2. 查看 Accuracy（准确率）和 Confusion Matrix（混淆矩阵）。

3. 使用 ROC 曲线 评估二分类模型的性能。

步骤 4：优化模型

• 特征选择：剔除无关特征（如使用 PCA 降维）。

• 超参数调优：调整 Kernel Scale（SVM）、Number of Trees（随机森林）等参数。

---

5. 导出模型

训练完成后，可将模型导出到工作区或生成 MATLAB 代码：

1. 导出模型：

   • 点击 Export Model 保存为 trainedModel。

   • 使用 predict 进行新数据预测：

   • predictions = trainedModel.predictFcn(newData);

2. 生成代码：

   • 点击 Generate Function 生成训练脚本，便于复现或修改。

6. 总结

步骤	操作
数据准备	表格格式，标签为 categorical
模型选择	SVM、决策树、随机森林等
训练与评估	准确率、混淆矩阵、ROC 曲线
模型导出	生成代码或直接用于预测

分类学习器是 MATLAB 中一个强大的交互式工具，特别适合机器学习初学者或需要快速比较模型的场景。通过本文的指导，你可以轻松完成从数据导入到模型部署的全流程！

---

希望这篇博客能帮助你掌握 MATLAB 分类学习器的使用！如果有任何问题，欢迎在评论区讨论。🎯