还要包含两个分类器的相关的参数

当我们在MATLAB中使用朴素贝叶斯分类器 (`fitcnb`) 和手动实现的贝叶斯决策规则时，通常会涉及到一些关键参数：

### 1. 朴素贝叶斯分类器 (fitcnb)
- **KernelFunction**：默认使用“vanilla”（即多项式核函数），也可以选择线性、多项式、径向基函数(RBF) 或其他自定义函数。
- **Prior**：设置每个类别的先验概率。可以选择"empirical"（基于训练数据估算）、"uniform"（所有类均匀分布）或提供特定值。
- **Options**：如 'ObservationDimensionReduction' 设置特征降维，或者 'ClassNames' 自动识别类别。

示例：

nb_options = statset('Display', 'iter');
nb_model = fitcnb(data_train, label_train, 'KernelFunction', 'linear', 'Options', nb_options);

### 2. 手动实现的贝叶斯决策规则 (贝叶斯分类器)
- **类别条件概率**：通常不需要显式设置，因为朴素贝叶斯假设特征独立，自动计算。
- **似然比阈值**：用于确定某个类别的证据是否足够强。可以根据实际需求设置一个经验值。

然而，对于贝叶斯决策规则，参数更少，主要是取决于前面训练得到的概率分布和先验概率。

### 参数调整
为了优化分类器性能，你可能需要通过交叉验证（`crossval`函数）尝试不同的参数组合，例如调整核函数、正则化参数、特征选择等。