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。
这个例子展示了如何训练一个分类树。
创建一个分类树使用整个电离层
数据集。
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
这个例子展示了如何训练回归树。
方法中的所有观察结果创建回归树carsmall
数据集,考虑马力
和重量
向量作为预测变量,和英里/加仑
向量作为响应。
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
J. H. Friedman, R. A. Olshen, C. J. Stone。分类和回归树。博卡拉顿,佛罗里达:查普曼和霍尔,1984。
ClassificationTree
|RegressionTree
|fitctree
|fitrtree