Matlab 中的决策树

Question

我在Matlab中看到了帮助，但他们提供了一个示例，但没有解释如何使用“classregtree”函数中的参数。任何解释“classregtree”及其参数的使用的帮助将不胜感激。

Answer 1

函数 classregtree 的文档页面是不言自明的......

让我们回顾一下分类树模型的一些最常见的参数：

• x：数据矩阵，行是实例，列是预测属性
• y：列向量，每个实例的类标签
• < strong>分类：指定哪些属性是离散类型（而不是连续）
• 方法：是否生成分类或回归树（取决于类类型）
• 名称：为属性命名
• prune：启用/禁用减少错误修剪
• minparent/minleaf：允许指定节点中实例的最小数量（如果要进一步） split
• nvartosample：用于随机树（考虑每个节点处随机选择的 K 个属性）
• 权重：指定加权实例
• cost：指定成本矩阵（惩罚）的各种错误）
• splitcriterion：用于在每次分割时选择最佳属性的标准。我只熟悉基尼指数，它是信息增益标准的变体。
• priorprob：显式指定先验类别概率，而不是根据训练数据计算出

一个完整的示例来说明该过程：

%# load data
load carsmall

%# construct predicting attributes and target class
vars = {'MPG' 'Cylinders' 'Horsepower' 'Model_Year'};
x = [MPG Cylinders Horsepower Model_Year];  %# mixed continous/discrete data
y = cellstr(Origin);                        %# class labels

%# train classification decision tree
t = classregtree(x, y, 'method','classification', 'names',vars, ...
                'categorical',[2 4], 'prune','off');
view(t)

%# test
yPredicted = eval(t, x);
cm = confusionmat(y,yPredicted);           %# confusion matrix
N = sum(cm(:));
err = ( N-sum(diag(cm)) ) / N;             %# testing error

%# prune tree to avoid overfitting
tt = prune(t, 'level',3);
view(tt)

%# predict a new unseen instance
inst = [33 4 78 NaN];
prediction = eval(tt, inst)    %# pred = 'Japan'

---

更新：

上述 classregtree class 已过时，并由 ClassificationTree< R2011a 中的 /a> 和 RegressionTree 类（请参阅 fitctree 和 fitrtree 函数，R2014a 中的新增功能）。

这是使用新函数/类的更新示例：

t = fitctree(x, y, 'PredictorNames',vars, ...
    'CategoricalPredictors',{'Cylinders', 'Model_Year'}, 'Prune','off');
view(t, 'mode','graph')

y_hat = predict(t, x);
cm = confusionmat(y,y_hat);

tt = prune(t, 'Level',3);
view(tt)

predict(tt, [33 4 78 NaN])