1、glmfit()
功能：構建一個廣義線性回歸模型。
使用格式：b=glmfit（X，y，distr），根據屬性數據X以及每個記錄對應的類別數據y構建一個線性回歸模型，distr可取值為：binomial、gamma、inverse gaussian、normal（默認值）和poisson，分別代表不同類型的回歸模型。
2、patternnet()
功能：構建一個模式識別神經網絡。
模式識別神經網絡是一個前饋神經網絡，通過對已知含有標簽的數據進行訓練得到神經網絡模型，從而可以對新的不含標簽的數據進行分類。用於輸入的標簽數據需要進行特殊編碼，即一個類別使用一個向量進行表示，比如一共有3個類別，那么類別1可以編碼為[1，0，0]，類別3可以編碼為[0，0，1]。
使用格式：net=patternnet（hiddenSizes，trainFcn，performFcn），構建一個隱含層神經元個數為hiddenSizes，模型函數為trainFcn，性能函數為performFcn的神經網絡net。
主要的模型函數有：
Trainscg：使用標度共梯度算法更新權值和偏移值
Trainlm：使用LM算法更新權值和偏移值
Trainbr：使用LM算法更新權值和偏移值（貝葉斯正則化）
Trainrp：根據彈反向傳播算法更新權值和偏移值
3、fitctree()
功能：構建一個二叉分類樹，每個分支節點根據輸人數據進行確定。
使用格式：tree=fitctree(x，y)，根據數據的屬性數據x以及每個記錄對應的類別數據y構建一個二叉分類樹tree。
4、fitensemble()
功能：創建一個模型，該函數可以根據不同的參數構建不同的模型，可以用於分類或者回歸。
使用格式：Ensemble=fitensemble（x，y，Method，NLearn，Learners），根據輸入屬性數據x以及每個記錄對應的y值（如y是離散型變量，則模型為分類模型；如y是連續型變量，則模型為回歸模型）、Method（用於構建的模型名稱）、NLearn（模型學習的循環次數）以及Learners值（弱學習算法名稱，有三個值，分別是“Discriminant”“KNN”“Tree”）構建一個分類或者回歸模型。該模型的性能依賴於弱學習算法的參數設置，如果這些參數設置不合理，將導致較差的性能。
常用的method：
①參數值：AdaBoostM1
適用范圍：適用於二類別分類
②參數值：LogitBoost
適用范圍：適用於二類別分類
③參數值：GentleBoost
適用范圍：適用於二類別分類
④參數值：AdaBoostM2
適用范圍：適用於三類別分類及以上
使用fitensemble函數構建三個模型，對比三個模型的誤差。
rng(0,'twister') Xtrain=rand(2000,20); Ytrain=sum(Xtrain(:,1:5),2)>2.5; idx=randsample(2000,200); Ytrain(idx)=~Ytrain(idx); %構建一個AdaBoostM1模型 ada=fitensemble(Xtrain,Ytrain,'AdaBoostM1',300,'Tree','LearnRate',0.1); %構建一個RobustBoost模型，設置誤差閾值為0.15 rb1=fitensemble(Xtrain,Ytrain,'RobustBoost',300,'Tree','RobustErrorGoal',0.15,'RobustMaxMargin',1); %構建一個RobustBoost模型，設置誤差閾值為0.01 rb2=fitensemble(Xtrain,Ytrain,'RobustBoost',300,'Tree','RobustErrorGoal',0.01) figure plot(resubLoss(rb1,'Mode','Cumulative')) hold on plot(resubLoss(rb2,'Mode','Cumulative'),'r--'); plot(resubLoss(ada,'Mode','Cumulative'),'g.'); hold off xlabel('Number of trees'); ylabel('Resubstitution error'); legend('ErrorGoal=0.15','ErrorGoal=0.01','AdaBoostM1','Location','NE');
5、fitNaiveBayes()
功能：創建一個朴素貝葉斯分類器。
使用格式：NBModel=fitNaiveBayes（x，y），根據輸入數據x以及每個x對應的類別號y（如果y為NaN或者空字符串‘’或者unidefined，都會被視為缺失值，朴素貝葉斯分類器會直接忽略這些值對應的x）構建一個朴素貝葉斯分類器。