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.
这个例子展示了如何训练分类树。
创建一个使用整个的分类树电离层
数据集。
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
这个例子展示了如何训练回归树。
创建一个回归树,使用所有观察carsmall
数据集。考虑到马力
和重量
向量作为预测变量,并且英里/加仑
向量作为响应。
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
Breiman, L., J. H. Friedman, R. A. Olshen和C. J. Stone。分类和回归树。佛罗里达州波卡拉顿:查普曼和霍尔出版社,1984年。
fitctree
|fitrtree
|ClassificationTree
|RegressionTree