Matlab：决策树显示无效的输出值

发布于 2024-11-27 17:25:43 字数 181 浏览 8 评论 0原文

我正在使用 classregtree(X,Y) 函数制作决策树。我将 X 作为大小为 70X9 的矩阵（70 个数据对象，每个数据对象有 9 个属性）传递，将 Y 作为 70X1 矩阵传递。我的每个 Y 值不是 2 就是 4。但是，在形成的决策树中，它为某些叶节点提供了 2.5 或 3.5 的值。

有什么想法可能会造成这种情况吗？

原文

分享到QQ

分享到微博

如果你对这篇内容有疑问，欢迎到本站社区发帖提问参与讨论，获取更多帮助，或者扫码二维码加入 Web 技术交流群。

发布评论

需要登录才能够评论，你可以免费注册一个本站的账号。

玩物 2024-12-04 17:25:44

您正在回归模式（这是默认模式）下使用 classregtree。
将模式更改为分类模式。

回复收藏 0 原文

养猫人 2024-12-04 17:25:44

以下是使用 CLASSREGTREE 进行分类的示例：

%# load dataset
load fisheriris

%# split training/testing
cv = cvpartition(species, 'holdout',1/3);
trainIdx = cv.training;
testIdx = cv.test;

%# train
t = classregtree(meas(trainIdx,:), species(trainIdx), 'method','classification', ...
    'names',{'SL' 'SW' 'PL' 'PW'});

%# predict
pred = t.eval(meas(testIdx,:));

%# evaluate
cm = confusionmat(species(testIdx),pred)
acc = sum(diag(cm))./sum(testIdx)

输出（混淆矩阵和准确性）：

cm =
    17     0     0
     0    13     3
     0     2    15
acc =
          0.9

tree

现在，如果您的目标类被编码为数字，则返回的预测仍将是字符串元胞数组，所以你必须将它们转换回数字：

%# load dataset
load fisheriris
[species,GN] = grp2idx(species);

%# ...

%# evaluate
cm = confusionmat(species(testIdx),str2double(pred))
acc = sum(diag(cm))./sum(testIdx)

请注意，分类将始终返回字符串，因此我认为您可能错误地使用了 method=regression 选项，该选项执行回归（数字目标）不是分类（离散目标）

Here is an example using CLASSREGTREE for classification:

%# load dataset
load fisheriris

%# split training/testing
cv = cvpartition(species, 'holdout',1/3);
trainIdx = cv.training;
testIdx = cv.test;

%# train
t = classregtree(meas(trainIdx,:), species(trainIdx), 'method','classification', ...
    'names',{'SL' 'SW' 'PL' 'PW'});

%# predict
pred = t.eval(meas(testIdx,:));

%# evaluate
cm = confusionmat(species(testIdx),pred)
acc = sum(diag(cm))./sum(testIdx)

The output (confusion matrix and accuracy):

cm =
    17     0     0
     0    13     3
     0     2    15
acc =
          0.9

tree

Now if your target class is encoded as numbers, the returned prediction will still be cell array of strings, so you have to convert them back to numbers:

%# load dataset
load fisheriris
[species,GN] = grp2idx(species);

%# ...

%# evaluate
cm = confusionmat(species(testIdx),str2double(pred))
acc = sum(diag(cm))./sum(testIdx)

Note that classification will always return strings, so I think you might have mistakenly used the method=regression option, which performs regression (numeric target) not classification (discrete target)

回复收藏 0 原文

~没有更多了~