用途：在 MATLAB 中对表格数据（数值矩阵或标量预测变量表 + 分类响应）做端到端分类，比较多个分类器并找出准确率统计等价的顶级模型。
主要能力：加载数据并判断是否已有独立测试集；数据清洗与预处理（缺失/高基数特征剔除、零方差剔除、少数类删除或合并）；按数据特征（宽表、高维、不平衡、稀疏、含分类变量）匹配候选模型分支；通过 build_model_definitions 组装模型定义，自动展开多类 ECOC 的 OVO/OVA 变体；支持交叉验证、留出评估与超参数优化；用 McNemar、5×2 cv、Friedman 等检验判断准确率差异是否显著。
使用方式：通过 MATLAB MCP 服务器运行代码（mcp__matlab__evaluate_matlab_code 或 mcp__matlab__run_matlab_file），将 project_path 设为技能 scripts/helpers/ 目录。先设 skillPath = fileparts(fileparts(pwd));，再按步骤加载数据、读取 references/dataprep.md 清洗、选择评估策略、询问可解释性、调用 build_model_definitions 生成 modelDefs 并训练。不平衡数据需读取对应参考并明确统一先验选择。
适用场景：用户想分类表格数据、比较多个分类器、选最佳模型、评估准确率，或需要交叉验证、留出评估、超参数优化与统计检验。
限制：响应为连续值应改用回归技能；预测变量为图像、序列或时间序列不适用；不用于设计或训练特定神经网络架构（仅将 fitcnet 作为候选之一）；不用于仅对预训练模型打分。不支持自定义类先验向量或代价矩阵，仅支持内置统一先验开关（'Prior','uniform'）；此类需求应直接用 fitc* 的 'Prior' 或 'Cost' 参数。运行中不向用户暴露内部文件名与分支调度细节。