决策树- MATLAB和Simulink - Mat金宝apphWorks瑞士 - 金宝app,下载188bet金宝搏,金宝搏官方网站

决策树

决策树，或分类树和回归树，预测对数据的反应。要预测响应，请根据树中的决策从根(开始)节点一直到叶节点。叶节点包含响应。分类树给出的响应是名义上的，例如“真正的”或“假”．回归树给出数值响应。

统计和机器学习工具箱™树是二叉的。预测的每一步都包括检查一个预测器(变量)的值。例如，这是一个简单的分类树:

简单分类树

这棵树基于两个预测因子来预测分类，x1而且x2．要进行预测，从顶部节点开始，由三角形(Δ)表示。第一个决定是是否x1小于0．5．如果是，按照左边的分支，看看树是否将数据分类为类型0．

然而,如果x1超过0．5，然后沿着右边的分支到右下的三角形节点。这里树问是否x2小于0．5．如果是，那么沿着左边的分支查看树是否将数据分类为类型0．如果不是，那么沿着右边的分支查看树是否将数据分类为类型1．

要了解如何使用决策树为分类或回归准备数据，请参见监督学习的步骤．

打开实时脚本

这个例子展示了如何训练分类树。

创建一个分类树电离层数据集。

负载电离层包含X和Y变量Mdl = fitctree(X,Y)

Mdl = ClassificationTree ResponseName: 'Y' CategoricalPredictors: [] ClassNames: {'b' 'g'} ScoreTransform: 'none' NumObservations: 351属性，方法

打开实时脚本

这个例子展示了如何训练回归树。

的所有观察结果创建一个回归树carsmall数据集。考虑到马力而且重量向量作为预测变量，而英里/加仑向量作为响应。

负载carsmall包含马力，重量，MPGX =[马力重量];Mdl =曲线树(X,MPG)

Mdl = RegressionTree ResponseName: 'Y' CategoricalPredictors: [] ResponseTransform: 'none' NumObservations: 94属性，方法

[1]布雷曼，L. J. H.弗里德曼，R. A.奥尔申和C. J.斯通。分类和回归树。佛罗里达州博卡拉顿:查普曼和霍尔，1984年。