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
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。