该边缘是分类余量的加权平均值。权重是类中的概率树。此前。

分类余量是分类之间的差得分对于真正的类和最大分类分值为假类。余量是具有相同数量的行的列向量作为矩阵X。

对于绿树成荫，得分叶节点的分类的是在该节点分类的后验概率。在节点分类的后验概率是训练序列的数目铅与分类该节点，通过训练序列的铅的数量，以该节点划分。

例如，考虑分类的预测X如真正什么时候X<0.15要么X>0.95和X是假的，否则。

生成100个随机点，它们归类：

RNG（0，“扭腰”）％，持续重现X =兰特（100,1）;Y =（ABS（X  -  0.55）> 0.4）;树= fitctree（X，Y）;视图（树，'模式'，'图形'）

修剪树：

树1 =剪枝（树，'水平'，1）;视图（树1，'模式'，'图形'）

该修剪树正确分类是小于0.15的意见真正。它还正确分类，从0.15到0.94的意见假。但是，它错误地归类是大于0.94的意见假。因此，该分数是大于0.15应为约0.05 / 0.85 = 0.06的观测真正和约0.8 / 0.85 = 0.94对假。

计算预测得分前10行的X：

[〜，得分=预测（树1，X（1:10））;[得分X（1:10，:)]

ANS =10×30.9059 0.0941 0.8147 0.9059 0.0941 0.9058 1.0000 0 0.1270 0.9059 0.0941 0.9134 0.9059 0.0941 0.6324 1.0000 0 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

事实上，每一个值X（最右列），其小于0.15具有相关联的得分（左边和中间列）0和1，而其它值X有相关的分数0.91和0.09。所不同的（得分0.09而不是预期的0.06）是由于统计波动：有8在观察X在范围内（.95,1）而不是预期的五观察结果。