1、glmfit()
功能：构建一个广义线性回归模型。
使用格式：b=glmfit（X，y，distr），根据属性数据X以及每个记录对应的类别数据y构建一个线性回归模型，distr可取值为：binomial、gamma、inverse gaussian、normal（默认值）和poisson，分别代表不同类型的回归模型。
2、patternnet()
功能：构建一个模式识别神经网络。
模式识别神经网络是一个前馈神经网络，通过对已知含有标签的数据进行训练得到神经网络模型，从而可以对新的不含标签的数据进行分类。用于输入的标签数据需要进行特殊编码，即一个类别使用一个向量进行表示，比如一共有3个类别，那么类别1可以编码为[1，0，0]，类别3可以编码为[0，0，1]。
使用格式：net=patternnet（hiddenSizes，trainFcn，performFcn），构建一个隐含层神经元个数为hiddenSizes，模型函数为trainFcn，性能函数为performFcn的神经网络net。
主要的模型函数有：
Trainscg：使用标度共梯度算法更新权值和偏移值
Trainlm：使用LM算法更新权值和偏移值
Trainbr：使用LM算法更新权值和偏移值（贝叶斯正则化）
Trainrp：根据弹反向传播算法更新权值和偏移值
3、fitctree()
功能：构建一个二叉分类树，每个分支节点根据输人数据进行确定。
使用格式：tree=fitctree(x，y)，根据数据的属性数据x以及每个记录对应的类别数据y构建一个二叉分类树tree。
4、fitensemble()
功能：创建一个模型，该函数可以根据不同的参数构建不同的模型，可以用于分类或者回归。
使用格式：Ensemble=fitensemble（x，y，Method，NLearn，Learners），根据输入属性数据x以及每个记录对应的y值（如y是离散型变量，则模型为分类模型；如y是连续型变量，则模型为回归模型）、Method（用于构建的模型名称）、NLearn（模型学习的循环次数）以及Learners值（弱学习算法名称，有三个值，分别是“Discriminant”“KNN”“Tree”）构建一个分类或者回归模型。该模型的性能依赖于弱学习算法的参数设置，如果这些参数设置不合理，将导致较差的性能。
常用的method：
①参数值：AdaBoostM1
适用范围：适用于二类别分类
②参数值：LogitBoost
适用范围：适用于二类别分类
③参数值：GentleBoost
适用范围：适用于二类别分类
④参数值：AdaBoostM2
适用范围：适用于三类别分类及以上
使用fitensemble函数构建三个模型，对比三个模型的误差。
rng(0,'twister') Xtrain=rand(2000,20); Ytrain=sum(Xtrain(:,1:5),2)>2.5; idx=randsample(2000,200); Ytrain(idx)=~Ytrain(idx); %构建一个AdaBoostM1模型 ada=fitensemble(Xtrain,Ytrain,'AdaBoostM1',300,'Tree','LearnRate',0.1); %构建一个RobustBoost模型，设置误差阈值为0.15 rb1=fitensemble(Xtrain,Ytrain,'RobustBoost',300,'Tree','RobustErrorGoal',0.15,'RobustMaxMargin',1); %构建一个RobustBoost模型，设置误差阈值为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：创建一个朴素贝叶斯分类器。
使用格式：NBModel=fitNaiveBayes（x，y），根据输入数据x以及每个x对应的类别号y（如果y为NaN或者空字符串‘’或者unidefined，都会被视为缺失值，朴素贝叶斯分类器会直接忽略这些值对应的x）构建一个朴素贝叶斯分类器。