nb = fitcnb(TrainData2,LabelTrain);优化其中参数，示例

朴素贝叶斯分类器（`fitcnb`）的主要参数是先验概率和核宽度。其中，先验概率可以通过指定 `Prior` 参数来调整，核宽度则可以通过指定 `Width` 参数来调整。以下是一个简单的示例代码，展示如何优化这些参数：

% 加载数据
load fisheriris

% 将数据分为训练集和测试集
cv = cvpartition(species,'HoldOut',0.3);
dataTrain = meas(cv.training,:);
grpTrain = species(cv.training,:);
dataTest = meas(cv.test,:);
grpTest = species(cv.test,:);

% 定义先验概率和核宽度的搜索空间
prior = [0.1, 0.2, 0.3, 0.4, 0.5];
width = [0.1, 0.5, 1, 2, 5];

% 初始化最优参数和最优准确率
bestPrior = NaN;
bestWidth = NaN;
bestAcc = 0;

% 在搜索空间内寻找最优参数
for i = 1:numel(prior)
    for j = 1:numel(width)
        nb = fitcnb(dataTrain, grpTrain, 'Prior', [prior(i), 1-prior(i)], 'Width', width(j));
        pred = predict(nb, dataTest);
        acc = sum(strcmp(pred, grpTest)) / numel(grpTest);
        if acc > bestAcc
            bestAcc = acc;
            bestPrior = prior(i);
            bestWidth = width(j);
        end
    end
end

% 输出最优参数和最优准确率
disp(['Best Prior: ' num2str(bestPrior)]);
disp(['Best Width: ' num2str(bestWidth)]);
disp(['Best Accuracy: ' num2str(bestAcc)]);

在此示例中，我们使用 Fisher's Iris 数据集来演示如何优化 `fitcnb` 的参数。首先，我们将数据分为训练集和测试集。然后，我们定义了先验概率和核宽度的搜索空间，并使用嵌套循环在搜索空间内寻找最优参数。对于每组参数，我们使用 `fitcnb` 训练出一个朴素贝叶斯分类器，并在测试集上进行预测，计算准确率。如果当前准确率比之前的最优准确率更高，我们就更新最优参数和最优准确率。最后，我们输出最优参数和最优准确率。