主要内容
分类树
用于多类学习的二叉决策树
要以交互方式生成分类树，请使用分类学习者为了获得更大的灵活性，使用fitctree在命令行。在生成分类树之后，通过传递树和新的预测器数据来预测标签预测．
应用程序
| 分类学习者 | 火车模型以使用监督机器学习对数据进行分类 |
块
| ClassificationTree预测 | 使用决策树分类器对观察结果进行分类 |
功能
类
ClassificationTree. |
多包分类的二进制决策树 |
CompactClassificationTree. |
紧凑的分类树 |
ClassificationPartitionedModel |
交叉验证的分类模型 |
主题
创建和比较分类树，并导出培训的模型来对新数据进行预测。
了解监督学习的步骤和非参数分类和回归函数的特征。
了解决策树以及如何将它们符合数据。
为了种植决策树，fitctree和fitrtree对训练数据默认采用标准CART算法。
创建并查看经过训练的决策树的文本或图形描述。
这个例子展示了如何可视化不同分类算法的决策面。
学习在成长决策树的过程中最优地分割多级分类变量的启发式算法。
通过设置名称-值对参数来调优树fitctree和fitrtree．
使用训练过的分类和回归树预测类标签或响应。
使用经过培训的回归树预测对新数据的响应，然后绘制结果。
使用分类学习器应用程序训练分类决策树模型，然后使用ClassificationTree预测块用于标签预测。
您还可以从以下列表中选择一个网站：
