决策树

决策树，或分类树和回归树，预计数据响应。为了预测的响应，按照从根（开始）树上的决策节点到叶节点。叶节点包含响应。分类树给出的反应是名义上的，如'真正'要么'假'。回归树给数字响应。

统计和机器学习工具箱™树是二进制的。在一个预测的每个步骤包括检查一个预测值（变量）的值。例如，下面是一个简单的分类树：

这棵树预测基于两个预测分类，X1和X2。为了预测，从顶部开始节点，通过一个三角形（Δ）来表示。第一个决定是，是否X1小于0.5。如果是这样，按照左分支，看到树，分类上述数据类型0。

但是，如果X1超过0.5，然后按照右分支到右下三角形节点。这里的树询问X2小于0.5。如果是这样，然后按照左分支看到树，分类上述数据类型0。如果没有，那么按照正确的分支看到，树中的数据类型进行分类1。

要了解如何利用决策树来准备你的数据进行分类或回归，看在监督学习步骤。

开立真实脚本

这个例子显示了如何培养一个分类树。

创建使用整个分类树电离层数据集。

加载电离层％含有X和Y变量MDL = fitctree（X，Y）

MDL = ClassificationTree ResponseName： 'Y' CategoricalPredictors：[]类名：{ 'B' 的 'g'} ScoreTransform： '无' NumObservations：351的属性，方法

开立真实脚本

这个例子显示了如何训练回归树。

创建使用所有的观测回归树carsmall数据集。考虑马力和重量矢量作为预测变量，并且MPG矢量作为响应。

加载carsmall％包含马力，重量，MPGX = [马力重量];MDL = fitrtree（X，MPG）

MDL = RegressionTree ResponseName： 'Y' CategoricalPredictors：[] ResponseTransform： '无' NumObservations：94的属性，方法

参考

[1] Breiman，L.，J。H.弗里德曼，R. A. Olshen，和C. J.石。分类和回归树。博卡拉顿：查普曼和霍尔，1984年。