决策树
决策树、树和分类回归树预测响应数据。预测反应,遵循决策树从根节点到叶节点(开始)。叶节点包含响应。分类树给名义上的反应,如“真正的”或“假”。回归树给数字反应。
统计和机器学习工具箱™树是二进制。每一步的预测包括检查一个预测(变量)的值。例如,下面是一个简单的分类树:
这棵树预测分类基于两个预测因子,x1和x2。预测,从顶部开始节点,由一个三角形(Δ)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,看到树分类数据类型0。
然而,如果x1超过0.5三角形,然后正确的分支到右下角节点。这里的树问x2小于0.5。如果是这样,那么按照左分支看到树分类数据类型0。如果不是,那么按照正确的分支看到树分类数据类型1。
学习如何准备你的数据使用决策树分类或回归,明白了在监督学习步骤。
火车分类树
这个例子展示了如何训练一个分类树。
使用整个创建一个分类树电离层数据集。
负载电离层%包含X和Y变量Mdl = fitctree (X, Y)
Mdl = ClassificationTree ResponseName:‘Y’CategoricalPredictors:[]类名:{b ' g '} ScoreTransform:“没有一个”NumObservations: 351属性,方法
火车回归树
这个例子展示了如何训练回归树。
创建一个回归树中所有观察使用carsmall考虑到数据集马力和重量向量作为预测变量,和英里/加仑向量作为响应。
负载carsmall%包含功率、重量、英里/加仑X =(马力重量);Mdl = fitrtree (X,英里/加仑)
Mdl = RegressionTree ResponseName:‘Y’CategoricalPredictors: [] ResponseTransform:“没有一个”NumObservations: 94属性,方法
引用
[1]Breiman, L。j·h·弗里德曼,r . a . Olshen和c . j .石头。分类和回归树。博卡拉顿FL:查普曼&大厅,1984。
另请参阅
fitctree|fitrtree|ClassificationTree|RegressionTree
