转载：
https://blog.csdn.net/qq_27914913/article/details/71436838
在matlab中，既有各种分类器的训练函数，比如“fitcsvm”，也有图形界面的分类学习工具箱，里面包含SVM、决策树、Knn等各类分类器，使用非常方便。接下来讲讲如何使用。
1、启动：
点击“应用程序”，在面板中找到“Classification Learner”图标点击即启动，也可以在命令行输入“classificationlearner”，回车，也可启动。如下图：
2、导入数据：
点击“New Session”，可以从工作空间或文件中导入数据。
（默认数组中最后一列为标签）
选择数据后，导入分为三步：
第一步，确定你的数据格式，这里导入的数据是一个矩阵，既有样本输入也有对应的输出。比如，我导入的数据data是3
3000的矩阵，3000个样本，每个样本两个特征值，第三行是每个样本对应的输出。这时我应该选择“Use row as variables”，如果数据格式为3000
3，则选择“Use column as variables”。
第二步，指定哪一行为“response”即输出响应，在本数据中，第三行为输出，其余为“predictor”。
第三步，是否需要验证，一般都选择交叉验证“Cross Validation”，folds表示几次，自己选择即可。
确定后，点击“start session”。
3、选择分类器：
如下图，原始数据的散点图会显示出来，由于这数据只有两维，因此可以全部显示在二维坐标中。如果你的数据多于两维，二维坐标系不能完全显示每一维，你可以在右边红圈的X、Y下拉条中选择显示哪两维。
训练前可以选择训练的模型，点击红圈中的下拉箭头，可以看到各类训练模型，选择一个即可，也可以选择某一类的“ALL”，该类所有模型都会训练一遍。
选好模型后，点击“train”，开始训练。
4、训练结果：
训练结果显示在左边，每个模型训练后的准确率都会显示出来，最高准确率会被标注，下面即为模型的信息。
点击“Advance”可以设置模型的具体参数。点击“Confusion Matrix”可以查看混淆矩阵等。
点击“Export Model”可以将模型导出到工作空间，这样就可以利用模型来测试新的数据。也可以导出为代码，方便研究。
5、样本预测
模型导出到workespace中，命令窗口会显示一下提示信息
这里的T应该值得是一个类，需要自己定义，如果不需要立即保存，可以用另外一种方式进行样本分类预测。
[LABEL,SCORE]=predict(SVM,X)
X是大小为N*P的数字矩阵，其中P是用于训练此模型的预测变量的数量。SCORE代表各个样本的各个特征对此分类的权值，LABEL为预测分类。
——————
样本预测转自：
https://blog.csdn.net/weixin_38645024/article/details/80010714