决策树

决策树，或者分类树和回归树，用来预测对数据的反应。要预测响应，从根(开始)节点一直到叶节点遵循树中的决策。叶节点包含响应。分类树给出标称的响应，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™树是二进制的。预测的每一步都要检查一个预测器(变量)的值。例如，下面是一个简单的分类树:

这棵树根据两个预测因子预测分类，x1和x2。要进行预测，请从顶部节点开始，该节点由三角形(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，查看树是否将数据分类为类型0。

然而,如果x1超过0.5，然后沿着右分支到达右下三角形节点。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。如果没有，则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准备数据进行分类或回归，请参见监督学习的步骤。

负载电离层%包含X和Y变量Mdl = fitctree (X, Y)

[] ClassNames: {'b' 'g'} ScoreTransform: 'none' NumObservations: 351属性，方法

负载carsmall包含马力，重量，每加仑英里数X =[马力重量];Mdl = fitrtree (X,英里/加仑)

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

另请参阅

ClassificationTree|RegressionTree|fitctree|fitrtree

相关的话题

• 决策树视图
• 越来越多的决策树
• 利用分类和回归树进行预测
• 改进分类树和回归树