1．classify函数
用classify函数可以进行线性判别分析，其语法格式如下。
class = classify(sample,training,group)：将sample中的每一行分到training中的某一个类中。sample和training必须为列数相同的矩阵。group为group的分类变量。它的唯一值定义不同的组，每个元素定义training的对应行属于哪一类。group可以是数值向量、字符串数组或字符串元胞数组。group 和training必须具有相同的行数。classify函数将group中的NaN或空字符串视为缺失值，并忽略training的对应行。该函数返回class，它是一个与sample具有相同行数的向量。class的每个元素指定sample中每行元素的类别。
[class,err]=classify(…)：返回错判误差率的估计。该函数返回training中被错判的观测量的百分比。
[…]=classify(…, 'type')：允许指定判断函数的类型，可以是下面的一种：
'linear'：默认项，用协方差的合并估计（pooled estimate）拟合每组数据的多变量正态密度。
'quadratic'：用类分层协方差估计拟合MVN密度。
'mahalanobis'：用分层协方差估计作为马氏距离。
[…]=classify(…, 'type',prior)：可以使用先验概率。
prior可以是：长度与group中唯一值个数相同的数值向量。如果group为数值，则prior的次序必须与group中的值索引后的次序对应。或者，如果group包含字符串，则与group中出现的第1个值对应。
Prior可以是11的结构，字段包括prob和group。prob是一个数值向量与group参数的类型相同，其中包含的唯一值表示prob的元素与哪个组对应。作为结构使用时，prior可以包含那些不在group中出现的组。如果training是一个更大训练集的子集，则这一点将很有用。
字符串值'empirical'表示classify函数应该根据training中的分组相对频率估计分组先验概率。
默认时，prior是一个等概率，即均匀分布的数值向量。除计算误差率外，prior函数不会被用于使用马氏距离进行判别分析的计算中。
2．mahal函数
马氏距离是一个将数据集与空间点分隔开的多变量度量。在线性判别分析中，要使它最小化。
用mahal函数可以计算马氏距离，其语法格式如下。
mahal(Y,X)：计算X矩阵中的样本至Y矩阵中的每个点（行）的马氏距离。Y的列数必须等于X的列数，但它们的行数可以不同。X的行数必须大于列数。