主要内容

视图

视图分类树

展开全部页面

语法

视图(树)
视图(树、名称、值)

描述

视图(树）的文本描述树，一个决策树。

视图(树，名称,值）描述了树带有一个或多个指定的附加选项名称,值对参数。

输入参数

树

创建的分类树或紧凑分类树fitctree或紧凑的．

名称-值参数

指定可选参数对为Name1 = Value1,…,以=家,在那里的名字参数名称和价值对应的值。名称-值参数必须出现在其他参数之后，但对的顺序无关紧要。

在R2021a之前，使用逗号分隔每个名称和值，并将其括起来的名字在报价。

模式

的显示树,要么“图”或“文本”．“图”打开显示用户界面树，并包含查询树的控件。“文本”发送输出到命令窗口描述树．

默认值:“文本”

例子

全部展开

打开实时脚本

查看已训练分类树的文本和图形显示。

加载费雪的虹膜数据集。

负载fisheriris

使用所有测量值训练分类树。

Mdl = fitctree(meas，种);

查看已训练分类树的文本显示。

视图(Mdl)
分类1的决策树，如果x3<2.45，那么节点2 elseif x3>=2.45，那么节点3 else setosa 2 class = setosa 3，如果x4<1.75，那么节点4 elseif x4>=1.75，那么节点5 else versicolor 4，如果x3<4.95，那么节点6 elseif x3>=4.95，那么节点7 else versicolor 5 class = virginica 6，如果x4<1.65，那么节点8 elseif x4>=1.65，那么节点9 else versicolor 7 class = virginica 8 class = versicolor 9 class = virginica

查看已训练分类树的图形显示。

视图(Mdl,“模式”，“图”）;

{

打开实时脚本

加载费雪的虹膜数据集。

负载fisheriris

用所有的测量方法种植100棵分类树。

rng (1)%用于再现性Mdl = TreeBagger(100,meas，种);

或者，您可以使用fitcensemble种一袋分类树。

Mdl是一个TreeBagger模型对象。Mdl。树在100 × 1单元格数组中存储100个训练过的分类树的包。也就是说，每个细胞在Mdl。树包含一个CompactClassificationTree模型对象。

查看袋子中第10个分类树的图形。

Tree10 = mll . trees {10};视图(Tree10,“模式”，“图”）;

{

默认情况下，该软件会为一袋一袋的树木生长出深深的树木。

打开实时脚本

加载费雪的虹膜数据集。

负载fisheriris

使用所有的测量方法增强100个分类树的集合。指定树桩作为弱学习器。

t = templateTree(“MaxNumSplits”1);Mdl = fitcensemble(meas,species，“方法”，“AdaBoostM2”，“学习者”t);

Mdl是一个ClassificationEnsemble模型对象。Mdl。训练有素的在100 × 1单元格数组中存储100个训练过的分类树的集合。也就是说，每个细胞在Mdl。训练有素的包含一个CompactClassificationTree模型对象。

查看集合中第10个分类树的图形。

Tree10 = mdl .训练{10};视图(Tree10,“模式”，“图”）;

{

该图显示了一个树桩，因为您将树桩指定为集成的弱学习器。但是，这种行为并不是默认的fitcensemble．默认情况下,fitcensemble生长浅树，增加树木的整体。也就是说,“学习者”是templateTree (MaxNumSplits, 10)．

提示

查看树t从树的集合中，输入下列代码行之一

视图(实体。训练有素的{t})视图(包。树木{t}）

为了节省树在命令窗口中，使用findall而且setdiff函数，然后保存树使用函数saveas．

之前= findall(根，“类型”，“图”）;找到所有数字视图(Mdl,“模式”，“图”) after = findall(根，“类型”，“图”）;H = setdiff(之后，之前);获取树查看器的图形句柄saveas (h,“a.png”）

扩展功能

另请参阅

|