决策树

决策树，或者分类树和回归树，预测对数据的响应。要预测响应，请遵循树中从根(开始)节点到叶节点的决策。叶节点包含响应。分类树给出的响应是象征性的，例如“真正的”或“假”．回归树给出数值响应。

Statistics和Machine Learning Toolbox™树是二叉树。预测的每一步都需要检查一个预测器(变量)的值。例如，这里有一个简单的分类树:

这棵树基于两个预测因素预测分类，x1和x2．要进行预测，请从顶部节点开始，用三角形(Δ)表示。第一个决定是是否x1小于0．5．如果是，沿着左边的分支，查看树是否将数据按类型分类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。这里树问如果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．如果不是，那么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为分类或回归准备数据，请参见监督式学习的步骤．

负载电离层%包含X和Y变量Mdl = fitctree (X, Y)

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

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

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

另请参阅

fitctree|fitrtree|ClassificationTree|RegressionTree

相关的话题

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