学習済み分類木をテキストおよびグラフィックで表示します。

フィッシャーのアヤメのデータセットを読み込みます。

负载fisheriris

すべての測定値を使用して分類木に学習をさせます。

Mdl = fitctree(量、种类);

学習済み分類木をテキストで表示します。

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然后节点9其他杂色的7类= virginica 8 class = versicolor 9 class = virginica

学習済み分類木をグラフィックで表示します。

视图(Mdl,“模式”,“图”）;

フィッシャーのアヤメのデータセットを読み込みます。

负载fisheriris

すべての測定値を使用して100本の分類の袋树を成長させます。

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

または,fitcensembleを使用して分類の袋树を成長させることもできます。

MdlはTreeBaggerモデルオブジェクトです。Mdl。树は100本の学習済み分類袋树を100行1列の细胞配列に格納します。つまり,Mdl。树の各セルにCompactClassificationTreeモデルオブジェクトが格納されます。

袋内の10番目の分類木のグラフを表示します。

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

既定の設定では,袋树に対して木を深く成長させます。

フィッシャーのアヤメのデータセットを読み込みます。

负载fisheriris

すべての測定値を使用して100本の分類木のアンサンブルをブースティングします。弱学習器として木の切り株を指定します。

t = templateTree (“MaxNumSplits”1);Mdl = fitcensemble(量、种类、“方法”,“AdaBoostM2”,“学习者”t);

MdlはClassificationEnsembleモデルオブジェクトです。Mdl。训练有素的は100本の学習済み分類木から成るアンサンブルを100行1列の细胞配列に格納します。つまり,Mdl。训练有素的の各セルにCompactClassificationTreeモデルオブジェクトが格納されます。

アンサンブル内の10番目の分類木のグラフを表示します。

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

アンサンブルの弱学習器として切り株を指定したので,このグラフは木の切り株を示します。ただし,この動作はfitcensembleの既定ではありません。既定の設定では,fitcensembleは木のブースティングアンサンブルに対して浅い木を成長させます。つまり,“学习者”はtemplateTree (MaxNumSplits, 10)になります。