查看经过训练的分类树的文本和图形显示。

加载费舍尔的虹膜数据集。

加载fisheriris

列车采用全尺寸的分类树。

MDL = fitctree（MEAS，物种）;

查看训练的分类树的文本显示。

视图（MDL）

决策树分类1，如果X3 <2.45则节点2 ELSEIF X3> = 2.45然后节点3别的setosa 2类= setosa 3如果X4 <1.75则节点4 ELSEIF X4> = 1.75然后节点5别的云芝4如果X3 <4.95则节点6 ELSEIF X3> = 4.95然后节点7别的云芝5类=锦葵6如果X4 <1.65则节点8 ELSEIF X4> = 1.65然后节点9别的云芝7类=锦葵8类=云芝9类=锦葵

查看经过训练的分类树的图形显示。

视图（MDL，'模式'，'图形'）;

加载费舍尔的虹膜数据集。

加载fisheriris

增长的使用所有尺寸100个分类树袋。

RNG（1）％用于重现MDL = TreeBagger（100，MEAS，物种）;

或者，您也可以使用fitcensemble种植分类树袋。

MDL是TreeBagger模型对象。Mdl.Trees存储的训练100个分类树在一个100×1单元阵列的袋。也就是说，在每个单元Mdl.Trees包含CompactClassificationTree模型对象。

查看袋子10日分类树的图。

Tree10 = Mdl.Trees {10};视图（Tree10，'模式'，'图形'）;

默认情况下，该软件用于生长树木袋深度的树。

加载费舍尔的虹膜数据集。

加载fisheriris

使用所有的测量值增加100棵分类树的集合。指定树桩为弱学习者。

T = templateTree（“MaxNumSplits”，1）;MDL = fitcensemble（MEAS，物种，'方法'，'AdaBoostM2'，“学习者”，T）;

MDL是ClassificationEnsemble模型对象。Mdl.Trained存储合奏的在一个100×1单元阵列100个训练的分类树。也就是说，在每个单元Mdl.Trained包含CompactClassificationTree模型对象。

查看集合中第10个分类树的图。

Tree10 = Mdl.Trained {10};视图（Tree10，'模式'，'图形'）;

图中显示了一个树桩，因为您将树桩指定为整体中较弱的学习者。但是，此行为不是默认的fitcensemble。默认，fitcensemble种植浅的树木，以增强树木的整体。也就是说,“学习者”是templateTree（ 'MaxNumSplits'，10）。