ClassificationTree类

超类:CompactClassificationTree

用于多类分类的二叉决策树

展开全部页面

描述

一个ClassificationTree对象表示具有用于分类的二叉分割的决策树。类的对象可以预测对新数据的响应预测方法。该对象包含用于训练的数据，因此它还可以计算再替代预测。

建设

创建一个ClassificationTree对象，使用fitctree．

属性

`BinEdges`	的单元格数组指定的数值预测器的Bin边p数字向量，其中p是预测因子的数量。每个向量都包含数值预测器的bin边。类别预测器的单元格数组中的元素为空，因为软件不收纳类别预测器。类型时，软件才会对数值预测器进行分类`“NumBins”`在使用树学习器训练模型时，名称-值参数作为正整数标量。的`BinEdges`属性为空`“NumBins”`值为空(默认值)。您可以重新生成已归档的预测器数据`Xbinned`通过使用`BinEdges`训练模型的属性`mdl`． X = mdl.X;%预测数据Xbinned = 0(大小(X));edges = mdl.BinEdges;查找已分类预测符的索引。idxNumeric = find(~cellfun(@isempty,edges));if iscolumn(idxNumeric) idxNumeric = idxNumeric';end for j = idxNumeric x = x (:，j);如果x是一个表，则将x转换为数组。If stable(x) x = table2array(x);将x分组到箱子中`离散化`函数。Xbinned =离散化(x，[-inf;边缘{};正]);Xbinned(:，j) = Xbinned;结束 `Xbinned`包含数值预测器的容器索引，范围从1到容器数。`Xbinned`类别预测器的值为0。如果`X`包含`南`S，然后是对应的`Xbinned`值是`南`年代。
`CategoricalPredictors`	分类预测指标，指定为正整数向量。`CategoricalPredictors`包含指示相应预测符是分类的索引值。索引值在1和之间`p`,在那里`p`用于训练模型的预测器的数量。如果没有一个预测符是分类的，则此属性为空(`［］`）.
`CategoricalSplit`	一个n-by-2单元格数组，其中`n`分类分割的数量是多少`树`．每一行`CategoricalSplit`给出分类分割的左右值。对每个分支节点进行分类分割`j`基于分类预测变量`z`，则左子元素被选中`z`是在`CategoricalSplit (j, 1)`如果`z`是在`CategoricalSplit (j, 2)`．分割的顺序与树节点的顺序相同。可以通过运行来找到这些分割的节点`cuttype`并选择`“分类”`从上到下切。
`孩子们`	一个n中每个节点的子节点的编号`树`,在那里n为节点数。叶子节点有子节点`0`．
`ClassCount`	一个n——- - - - - -k中的节点的类计数`树`,在那里n节点数和k是类的数量。对于任意节点号`我`，班级很重要`ClassCount(我,:)`来自每个类的观察计数(来自拟合树的数据)是否满足节点的条件`我`．
`一会`	元素的列表`Y`删除副本。`一会`可以是分类数组、字符向量的单元格数组、字符数组、逻辑向量或数字向量。`一会`与实参中的数据类型相同`Y`．(该软件将字符串数组视为字符向量的单元格数组。)
`ClassProbability`	一个n——- - - - - -k中的节点的类概率数组`树`,在那里n节点数和k是类的数量。对于任意节点号`我`，类概率`ClassProbability(我,:)`每一类点的估计概率是否满足节点的条件`我`．
`成本`	方阵，其中`成本(i, j)`将一个点分类的成本是多少`j`如果它真正的阶级是`我`(行对应真实的类，列对应预测的类)。的行和列的顺序`成本`中类的顺序对应`一会`．中的行数和列数`成本`响应中唯一类的数量。此属性是只读的。
`CutCategories`	一个n中分支使用的类别的-by-2单元数组`树`,在那里n为节点数。对于每个分支节点`我`基于分类预测变量`X`，则左子元素被选中`X`所列的类别中`CutCategories{1},我`，则选择正确的子节点`X`是在`CutCategories{2},我`．两列`CutCategories`对于基于连续预测器的分支节点和叶节点，为空。 `割点`包含的切点`“连续”`削减,`CutCategories`包含类别集。
`割点`	一个n-元素向量的值用作切割点`树`,在那里n为节点数。对于每个分支节点`我`基于一个连续的预测变量`X`，则左子元素被选中`X <割点(我)`如果`X > =割点(我)`．`割点`是`南`对于基于分类预测器的分支节点和叶节点。 `割点`包含的切点`“连续”`削减,`CutCategories`包含类别集。
`CutType`	一个n元素单元格数组，表示在每个节点上的切割类型`树`,在那里n为节点数。对于每个节点`我`，`CutType{我}`是: `“连续”`—如果在表单中定义了切割`X < v`对于一个变量`X`切割点`v`． `“分类”`—若切定义为是否变量`X`获取一组类别中的值。 `”`——如果`我`是叶节点。 `割点`包含的切点`“连续”`削减,`CutCategories`包含类别集。
`CutPredictor`	一个n中每个节点中用于分支的变量名称的单元格数组`树`,在那里n为节点数。这些变量有时被称为减少变量．对于叶节点，`CutPredictor`包含一个空字符向量。 `割点`包含的切点`“连续”`削减,`CutCategories`包含类别集。
`CutPredictorIndex`	一个n用于分支的每个节点的变量的数值索引数组`树`,在那里n为节点数。有关更多信息，请参见`CutPredictor`．
`ExpandedPredictorNames`	扩展的预测器名称，存储为字符向量的单元格数组。如果模型对分类变量使用编码，则`ExpandedPredictorNames`包括描述展开变量的名称。否则,`ExpandedPredictorNames`和`PredictorNames`．
`HyperparameterOptimizationResults`	超参数的交叉验证优化的描述，存储为`BayesianOptimization`对象或超参数及相关值的表。当`OptimizeHyperparameters`名称-值对在创建时是非空的。属性的设置`HyperparameterOptimizationOptions`创建时的名称-值对: `“bayesopt”`(默认)-类的对象`BayesianOptimization` `“gridsearch”`或`“randomsearch”`-使用的超参数表，观察到的目标函数值(交叉验证损失)，以及从最低(最好)到最高(最差)的观察值排序
`IsBranchNode`	一个n-element逻辑向量即`真正的`对于每个分支节点和`假`的每个叶节点`树`．
`ModelParameters`	训练参数`树`．显示所有参数值，输入`树。米odelParameters`．要访问特定的参数，请使用点表示法。
`NumObservations`	训练数据中的观察数，一个数值标量。`NumObservations`可以小于输入数据的行数吗`X`中缺少值时`X`或响应`Y`．
`NodeClass`	一个n的每个节点中最可能的类名称的单元格数组`树`,在那里n是树中的节点数。数组中的每个元素都是一个字符向量，等于类名中的一个`一会`．
`NodeError`	一个n中节点误差的-element向量`树`,在那里n为节点数。`NodeError(我)`节点的错分类概率是多少`我`．
`NodeProbability`	一个n-元素向量的概率的节点`树`,在那里n为节点数。一个节点的概率是通过原始数据中满足该节点条件的观测值的比例来计算的。这个比例根据分配给每个类的任何先验概率进行调整。
`NodeRisk`	一个n-树中节点风险的element向量，其中n为节点数。每个节点的风险是该节点的杂质(基尼指数或偏差)的度量，由节点概率加权。如果树是两倍增长的，每个节点的风险为零。
`NodeSize`	一个n中节点大小的-element向量`树`,在那里n为节点数。节点的大小定义为用于创建满足节点条件的树的数据的观察数。
`NumNodes`	的节点数`树`．
`父`	一个n中每个节点的父节点的编号`树`,在那里n为节点数。根节点的父节点为`0`．
`PredictorNames`	包含预测器名称的字符向量的单元格数组，按它们出现的顺序排列`X`．
`之前`	每个类的先验概率的数字向量。元素的顺序`之前`中类的顺序对应`一会`．元素的个数`之前`响应中唯一类的数量。此属性是只读的。
`PruneAlpha`	数字向量，每个修剪级别有一个元素。如果修剪级别为0 ~米,然后`PruneAlpha`有米+ 1个元素按升序排序。`PruneAlpha (1)`用于0级修剪(不修剪)，`PruneAlpha (2)`用于修剪级别1，依此类推。
`PruneList`	一个n的每个节点的剪枝级别`树`,在那里n为节点数。修剪级别从0(不修剪)到米,在那里米最深的叶节点和根节点之间的距离。
`ResponseName`	一个字符向量，它指定响应变量的名称(`Y`）.
`RowsUsed`	一个n元素逻辑向量，表示原始预测器数据的行(`X`)用于配件。如果软件使用的所有行`X`,然后`RowsUsed`是一个空数组(`［］`）.
`ScoreTransform`	转换预测分类分数的函数句柄，或表示内置转换函数的字符向量。 `没有一个`意味着没有变换，或者`@ x (x)`．要将分数转换函数更改为，例如，`函数`，使用点表示法。有关可用的函数(请参阅`fitctree`),输入 Mdl。ScoreTransform = '函数”; 您可以为可用函数或您自己定义的函数设置函数句柄树。ScoreTransform = @函数；
`SurrogateCutCategories`	一个n用于代理分割的类别的element单元格数组`树`,在那里n节点个数是否到位`树`．对于每个节点`k`，`SurrogateCutCategories {k}`是单元格数组。的长度`SurrogateCutCategories {k}`等于在此节点上找到的代理预测器的数量。每一个元素`SurrogateCutCategories {k}`是连续代理预测器的空字符向量，还是类别代理预测器的包含类别的两元素单元格数组。这个两元素单元格数组的第一个元素列出了由代理分裂分配给左子元素的类别，这个两元素单元格数组的第二个元素列出了由代理分裂分配给右子元素的类别。每个节点上的代理拆分变量的顺序与节点中的变量的顺序匹配`SurrogateCutPredictor`．此节点上的最佳分割变量不会出现。对于非分支(叶)节点，`SurrogateCutCategories`包含一个空单元格。
`SurrogateCutFlip`	一个n用于代理分割的数值切割分配的单元格数组`树`,在那里n节点个数是否到位`树`．对于每个节点`k`，`SurrogateCutFlip {k}`是数值向量。的长度`SurrogateCutFlip {k}`等于在此节点上找到的代理预测器的数量。每一个元素`SurrogateCutFlip {k}`对于分类代理预测器为0，对于连续代理预测器为数值切割赋值。数值切割分配可以是-1或+1。每个代理都有一个数字分割C基于一个连续的预测变量Z，则左子元素被选中Z<C这个代理分割的切割分配是+1，或者Z≥C这个代理分割的切割值是-1。类似地，如果Z≥C这个代理分割的切割分配是+1，或者Z<C这个代理分割的切割值是-1。每个节点上的代理拆分变量的顺序与节点中的变量的顺序匹配`SurrogateCutPredictor`．此节点上的最佳分割变量不会出现。对于非分支(叶)节点，`SurrogateCutFlip`包含一个空数组。
`SurrogateCutPoint`	一个n用于代理分割的数值的单元格数组`树`,在那里n节点个数是否到位`树`．对于每个节点`k`，`SurrogateCutPoint {k}`是数值向量。的长度`SurrogateCutPoint {k}`等于在此节点上找到的代理预测器的数量。每一个元素`SurrogateCutPoint {k}`要么是`南`对于分类替代预测器，或连续替代预测器的数字切割。每个代理都有一个数字分割C基于一个连续的预测变量Z，则左子元素被选中Z<C而且`SurrogateCutFlip`对于这个代理拆分为+1，或者ifZ≥C而且`SurrogateCutFlip`这个代理的分割是-1。类似地，如果Z≥C而且`SurrogateCutFlip`对于这个代理拆分为+1，或者ifZ<C而且`SurrogateCutFlip`这个代理的分割是-1。在每个节点上的代理拆分变量的顺序与返回的变量的顺序相匹配`SurrogateCutPredictor`．此节点上的最佳分割变量不会出现。对于非分支(叶)节点，`SurrogateCutPoint`包含一个空单元格。
`SurrogateCutType`	一个n中每个节点上的代理拆分类型的单元格数组`树`,在那里n节点个数是否到位`树`．对于每个节点`k`，`SurrogateCutType {k}`是一个单元格数组，其中包含此节点上的代理程序拆分变量的类型。变量按照与最优预测因子关联的预测测度排序，按降序排列，仅包含具有正预测测度的变量。每个节点上的代理拆分变量的顺序与节点中的变量的顺序匹配`SurrogateCutPredictor`．此节点上的最佳分割变量不会出现。对于非分支(叶)节点，`SurrogateCutType`包含一个空单元格。代理拆分类型可以是任意一种`“连续”`如果在窗体中定义了切割`Z`<`V`对于一个变量`Z`切割点`V`或`“分类”`是否切割定义为是否`Z`获取一组类别中的值。
`SurrogateCutPredictor`	一个n中每个节点中用于代理分割的变量名称的单元格数组`树`,在那里n节点个数是否到位`树`．每一个元素`SurrogateCutPredictor`具有此节点上的代理程序拆分变量名称的单元格数组。变量按照与最优预测因子关联的预测测度排序，按降序排列，仅包含具有正预测测度的变量。此节点上的最佳分割变量不会出现。对于非分支(叶)节点，`SurrogateCutPredictor`包含一个空单元格。
`SurrogatePredictorAssociation`	一个n-元单元阵列的关联预测措施的代理分裂在`树`,在那里n节点个数是否到位`树`．对于每个节点`k`，`SurrogatePredictorAssociation {k}`是数值向量。的长度`SurrogatePredictorAssociation {k}`等于在此节点上找到的代理预测器的数量。每一个元素`SurrogatePredictorAssociation {k}`给出了最佳分割和代理分割之间关联的预测度量。每个节点上的代理拆分变量的顺序就是其中变量的顺序`SurrogateCutPredictor`．此节点上的最佳分割变量不会出现。对于非分支(叶)节点，`SurrogatePredictorAssociation`包含一个空单元格。
`W`	的比例`权重`，一个有长度的向量n的行数`X`．
`X`	预测值的矩阵或表格。的每一列`X`表示一个变量，每一行表示一个观察结果。
`Y`	分类数组、字符向量的单元格数组、字符数组、逻辑向量或数字向量。每行`Y`的对应行的分类`X`．

对象的功能

`紧凑的`	紧凑的树
`compareHoldout`	比较使用新数据的两种分类模型的准确性
`crossval`	交叉验证决策树
`cvloss`	交叉验证的分类错误
`边缘`	分类的优势
`收集`	收集属性统计和机器学习工具箱来自GPU的对象
`石灰`	局部可解释模型不可知解释(LIME)
`损失`	分类错误
`保证金`	分类的利润率
`nodeVariableRange`	检索决策树节点的可变范围
`partialDependence`	计算部分依赖关系
`plotPartialDependence`	创建部分依赖图(PDP)和个别条件期望图(ICE)
`预测`	使用分类树预测标签
`predictorImportance`	分类树预测因子重要性的估计
`修剪`	通过修剪产生分类子树序列
`resubEdge`	通过置换分类边缘
`resubLoss`	再置换导致的分类错误
`resubMargin`	再置换分类边际
`resubPredict`	预测分类树的再置换标签
`沙普利`	沙普利值
`surrogateAssociation`	分类树中代理分割关联的平均预测测度
`testckfold`	通过重复交叉验证比较两种分类模型的准确性
`视图`	视图分类树

复制语义

价值。要了解值类如何影响复制操作，请参见复制对象．

例子

全部折叠

生长一棵分类树

打开实时脚本

类生成分类树电离层数据集。

负载电离层tc = fitctree(X,Y)

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

控制树深度

打开实时脚本

控件可以控制树的深度MaxNumSplits，MinLeafSize,或MinParentSize名称-值对参数。fitctree默认情况下生长深度决策树。您可以种植较浅的树，以减少模型复杂性或计算时间。

加载电离层数据集。

负载电离层

用于生长分类树的树深度控制器的默认值为:

N - 1为MaxNumSplits．n是训练样本量。
1为MinLeafSize．
10为MinParentSize．

对于大的训练样本量，这些默认值往往生长得很深。

使用用于树深度控制的默认值训练分类树。使用10次交叉验证对模型进行交叉验证。

rng (1);%用于再现性MdlDefault = fitctree(X,Y，“CrossVal”，“上”）;

绘制树上施加的分裂数量的直方图。还有，看看其中一棵树。

numBranches = @(x)sum(x. isbranch);mdldefaultnumsplitting = cellfun(numBranches, MdlDefault.Trained);图;直方图(mdlDefaultNumSplits)

图中包含一个轴对象。坐标轴对象包含一个直方图类型的对象。

视图(MdlDefault。训练有素的{1},“模式”，“图”）

图分类树查看器包含一个axis对象和其他类型为uimenu、uicontrol的对象。axis对象包含51个类型为line, text的对象。

平均分裂次数约为15次。

假设您想要一个分类树，它不像使用默认分割数训练的分类树那么复杂(深)。训练另一棵分类树，但将最大分割数设置为7，这大约是默认分类树的平均分割数的一半。使用10次交叉验证对模型进行交叉验证。

Mdl7 = fitctree(X,Y，“MaxNumSplits”7“CrossVal”，“上”）;视图(Mdl7。训练有素的{1},“模式”，“图”）

图分类树查看器包含一个axis对象和其他类型为uimenu、uicontrol的对象。axis对象包含21个类型为line, text的对象。

比较模型的交叉验证分类误差。

classErrorDefault = kfoldLoss(MdlDefault)

classErrorDefault = 0.1168

classError7 = kfoldLoss(Mdl7)

classError7 = 0.1311

Mdl7的复杂程度要低得多，性能只比MdlDefault．

参考文献

布莱曼，L.弗里德曼，R.奥尔申和C.斯通。分类与回归树．佛罗里达州博卡拉顿:CRC出版社，1984年。

扩展功能

C/ c++代码生成
使用MATLAB®Coder™生成C和c++代码。

使用注意事项和限制:

的预测而且更新函数支持代码生成。金宝app
将分类树模型的预测集成到Simulink中金宝app^®，你可以使用ClassificationTree预测块的统计和机器学习工具箱™库或MATLAB^®函数块。预测函数。
当你训练分类树时使用fitctree，则适用以下限制。
- 的值“ScoreTransform”名称-值对参数不能是匿名函数。对于定点代码生成，使用“ScoreTransform”值不能为“invlogit”．
- 您不能使用代理分割，即“代孕”名称-值对参数必须为“关闭”．
- 对于定点代码生成和使用编码器配置程序的代码生成，适用以下附加限制。
  - 分类预测符(逻辑，分类，字符，字符串,或细胞)不受支持。金宝app您不能使用CategoricalPredictors名称-值参数。若要在模型中包含分类预测器，请使用dummyvar在拟合模型之前。
  - 类标记，使用分类不支持数据类型。金宝app训练数据中的类标签值(资源描述或Y的值一会名称-值参数不能是具有分类数据类型。

有关更多信息，请参见代码生成简介．

GPU数组
通过使用并行计算工具箱™在图形处理单元(GPU)上运行来加速代码。

使用注意事项和限制:

以下对象函数完全支持GPU阵列:金宝app
以下对象函数对GPU阵列提供有限的支持:金宝app

有关更多信息，请参见在图形处理器上运行MATLAB函数(并行计算工具箱)．

版本历史

在R2011a中引入

另请参阅

主题

决策树

ClassificationTree类

描述

建设

属性

对象的功能

复制语义

例子

生长一棵分类树

控制树深度

更多关于

杂质和节点错误

参考文献

扩展功能

C/ c++代码生成
使用MATLAB®Coder™生成C和c++代码。

GPU数组
通过使用并行计算工具箱™在图形处理单元(GPU)上运行来加速代码。

版本历史

另请参阅

主题

ClassificationTree类

描述

建设

属性

对象的功能

复制语义

例子

生长一棵分类树

控制树深度

更多关于

杂质和节点错误

参考文献

扩展功能

C/ c++代码生成使用MATLAB®Coder™生成C和c++代码。

GPU数组通过使用并行计算工具箱™在图形处理单元(GPU)上运行来加速代码。

版本历史

另请参阅

主题

C/ c++代码生成
使用MATLAB®Coder™生成C和c++代码。

GPU数组
通过使用并行计算工具箱™在图形处理单元(GPU)上运行来加速代码。