准备材料

　　以所有的特征集作为variable进行像Bayes吖、SVM吖、决策树吖......分类。同时对数据进行预处理，选出相关度高的特征子集作为新的一组data进行分类(预处理的代码不必放出来)。

Classficiation Learner工具箱的使用

　　从应用程序(APP)栏下的机器学习和深度学习可以get。

　　NEW Session，从工作空间导入数据集。

　　Start Session。

 　　选择分类器进行train。

结果

　　AUC 值越大，说明该模型的性能越好。

　　以CM1为例：

　　原始特征集、决策树

　　
　　原始特征集、SVM

　　特征子集、决策树

　　特征子集、SVM

 　　全部数据的结果统计：

　　其中，百分数表示经过十次十折交叉验证进行循环测试，最后返回的准确率；分号右边表示计算得到的AUC大小。

　　从中我们可以看到像JM1、MC1、PC5这些数据量大的数据集，最后得到的计算结果相对较好，而对于一些数据量较小的数据集，训练出的结果部分存在差距。

用MATLAB的Classficiation Learner工具箱对12个数据集进行各种分类与验证

原文：https://www.cnblogs.com/fangxiaoqi/p/12008833.html