目前了解到的MATLAB中分类器有：K近邻分类器，随机森林分类器，朴素贝叶斯，集成学习方法，鉴别分析分类器，支持向量机。现将其主要函数使用方法总结如下，更多细节需参考MATLAB 帮助文件。
设
训练样本：train_data % 矩阵，每行一个样本，每列一个特征
训练样本标签：train_label % 列向量
测试样本：test_data
测试样本标签：test_label
K近邻分类器 （KNN）
mdl = ClassificationKNN.fit(train_data,train_label,\'NumNeighbors\',1);
predict_label = predict(mdl, test_data);
accuracy = length(find(predict_label == test_label))/length(test_label)*100
随机森林分类器（Random Forest）
B = TreeBagger(nTree,train_data,train_label);
predict_label = predict(B,test_data);
朴素贝叶斯 （Na?ve Bayes）
nb = NaiveBayes.fit(train_data, train_label);
predict_label = predict(nb, test_data);
accuracy = length(find(predict_label == test_label))/length(test_label)*100;
集成学习方法（Ensembles for Boosting, Bagging, or Random Subspace）
ens = fitensemble(train_data,train_label,\'AdaBoostM1\' ,100,\'tree\',\'type\',\'classification\');
predict_label = predict(ens, test_data);
鉴别分析分类器（discriminant analysis classifier）
obj = ClassificationDiscriminant.fit(train_data, train_label);
predict_label = predict(obj, test_data);
支持向量机（Support Vector Machine, SVM）
SVMStruct = svmtrain(train_data, train_label);
predict_label = svmclassify(SVMStruct, test_data)
设
训练样本：train_data % 矩阵，每行一个样本，每列一个特征
训练样本标签：train_label % 列向量
测试样本：test_data
测试样本标签：test_label
K近邻分类器 （KNN）
mdl = ClassificationKNN.fit(train_data,train_label,\'NumNeighbors\',1);
predict_label = predict(mdl, test_data);
accuracy = length(find(predict_label == test_label))/length(test_label)*100
随机森林分类器（Random Forest）
B = TreeBagger(nTree,train_data,train_label);
predict_label = predict(B,test_data);
朴素贝叶斯 （Na?ve Bayes）
nb = NaiveBayes.fit(train_data, train_label);
predict_label = predict(nb, test_data);
accuracy = length(find(predict_label == test_label))/length(test_label)*100;
集成学习方法（Ensembles for Boosting, Bagging, or Random Subspace）
ens = fitensemble(train_data,train_label,\'AdaBoostM1\' ,100,\'tree\',\'type\',\'classification\');
predict_label = predict(ens, test_data);
鉴别分析分类器（discriminant analysis classifier）
obj = ClassificationDiscriminant.fit(train_data, train_label);
predict_label = predict(obj, test_data);
支持向量机（Support Vector Machine, SVM）
SVMStruct = svmtrain(train_data, train_label);
predict_label = svmclassify(SVMStruct, test_data)
