查看训练有素的分类树的文本和图形显示。

装载Fisher的Iris数据集。

负载fisheriris

使用所有测量值训练分类树。

Mdl = fitctree(量、种类);

查看训练过的分类树的文本显示。

视图(Mdl)

决策树分类1如果x3 < 2.45节点2 elseif x3 > = 2.45那么其他节点3 setosa 2类= setosa 3如果x4 < 1.75节点4 elseif x4 > = 1.75节点5其他杂色的4如果x3 < 4.95然后节点6 elseif x3 > = 4.95节点7其他杂色的5类= virginica 6如果x4 < 1.65然后节点8 elseif x4 > = 1.65那么其他节点9杂色的7类= virginica 8类= = virginica杂色的9类

查看训练有素的分类树的图形显示。

视图(Mdl,“模式”,“图”);

装载Fisher的Iris数据集。

负载fisheriris

用所有测量方法种植100棵分类树。

rng (1)%的再现性Mdl = TreeBagger(100量,物种);

或者，您可以使用fitcensemble种一袋分类树。

Mdl是一个TreeBagger模型对象。Mdl.Trees将100个经过训练的分类树存储在一个100 × 1单元阵列中。也就是说，每个单元格Mdl.Trees包含一个CompactClassificationTree.模型对象。

查看袋中第十分类树的图形。

Tree10 = Mdl.Trees {10};视图(Tree10,“模式”,“图”);

在默认情况下，该软件会为树袋生长茂密的树。

装载Fisher的Iris数据集。

负载fisheriris

使用所有测量提升100个分类树的集合。将树桩指定为弱学习者。

t = templateTree ('maxnumsplits'1);Mdl = fitcensemble(量、种类、“方法”,“AdaBoostM2”,“学习者”t);

Mdl是一个ClassificationEnsemble模型对象。Mdl.Trained将100棵训练过的分类树存储在一个100 × 1单元阵列中。也就是说，每个单元格Mdl.Trained包含一个CompactClassificationTree.模型对象。

查看集合中第10棵分类树的图表。

tree10 = mdl.tromed {10};视图(Tree10,“模式”,“图”);

该图显示了树桩，因为您将树桩指定为合奏的弱学员。但是，此行为不是默认的fitcensemble。默认情况下,fitcensemble为树木的增强集合增长浅树。那是，“学习者”是templateTree (MaxNumSplits, 10)。