分類マージンは、真のクラスの分類スコアと、偽のクラスの最大分類スコアの差を表します。マージンの値が高い場合、低い値よりも予測の信頼性が高いことを示します。

ツリーの場合、葉ノードの分類の"スコア"は、そのノードでの分類の事後確率です。あるノードにおける分類の事後確率とは、分類によって実際にそのノードに達するのに要した学習シーケンスの数を、そのノードまでの学習シーケンスの数で除算した値です。

たとえば、X<0.15またはX>0.95である場合は予測子Xを符合事实的に分類し、それ以外の場合はXを 错误的に分類するとします。

100個の点を無作為に生成し、分類します。

rng（0，“龙卷风”)%为了再现性X=rand（100,1）；Y=（abs（X-.55）>.4）；tree=fitctree（X，Y）；view（tree，“模式”,“图形”)

ツリーを枝刈りします。

树1=修剪（树，“水平”，1）；视图（树1，“模式”,“图形”)

枝刈りされたツリーは、0.15未満の観測値を正しく符合事实的に分類しています。また、.15から .94までの観測値についても、正しく错误的に分類しています。しかし、0.94より大きい観測は错误的と誤って分類されます。そのため、0.15より大きい観測値のスコアは、符合事实的では .05/.85=.06、错误的では .8/.85=.94 になります。

Xの先頭から 10行までの予測スコアを計算します。

[~，得分]=预测（树1，X（1:10））；[分数X（1:10，：）]

ans=10×30.9059 0.0941 0.8147 0.9059 0.0941 0.9058 0 1.0000 0.1270 0.9059 0.0941 0.9134 0.9059 0.0941 0.6324 0 1.0000 0.0975 0.9059 0.0941 0.2785 0.9059 0.0941 0.5469 0.9059 0.0941 0.9575 0.9059 0.0941 0.9649

実際に、Xで 0.15より小さいすべての値 (右端の列) には、0と1.のスコアが関連付けられ (左の列と中央の列)、Xのその他の値には、0.91と0.09のスコアが関連付けられています。スコアの違い (想定した.06ではなく、0.09) は、統計変動によるものです。範囲(.95,1)のXには、想定した5.個ではなく8.個の観測値があります。