交互式地成长一个分类树,使用分类学习者应用。更大的灵活性,增加一个分类树fitctree
在命令行中。增加一个分类树后,预测标签通过树和新的预测数据预测
。
分类学习者 | 火车模型使用监督机器学习分类数据 |
ClassificationTree预测 | 观察使用决策树分类器进行分类 |
ClassificationTree |
二叉决策树的多类分类 |
CompactClassificationTree |
紧凑的分类树 |
ClassificationPartitionedModel |
旨在分类模型 |
创建和比较分类树,和出口训练模型对新数据进行预测。
理解监督学习的步骤和非参数分类和回归函数的特点。
了解决策树以及如何适应他们的数据。
决策树,fitctree
和fitrtree
在默认情况下,标准的CART算法应用于训练数据。
创建和查看一个文本或图形描述的决策树训练。
这个例子展示了如何可视化决定表面不同的分类算法。
了解最优分割分类变量的启发式算法与许多水平而不断增长的决策树。
调整树通过设置参数的名称-值对fitctree
和fitrtree
。
预测类标签或使用训练有素的分类和回归树的反应。
使用一个训练有素的回归预测反应的新数据树,然后画出结果。
使用分类学习者训练一个分类决策树模型应用程序,然后使用ClassificationTree预测预测块的标签。