【Matlab】基于决策树DT实现多分类预测（Excel可直接替换数据）

1.算法简介

1.1 算法原理

1. 决策树是一种特别简单的机器学习分类算法。决策树想法来源于人类的决策过程，是在已知各种情况发生概率的基础上，通过构成决策树来评价项目风险，判断其可行性的决策分析方法，是直观运用概率分析的一种图解法。
2. 由于这种决策分支画成图形很像一棵树的枝干，故称决策树。在机器学习中，决策树是一个预测模型，其代表的是对象属性与对象值之间的一种映射关系。
3. 决策树可看作一个树状预测模型，它是由结点和有向分支组成的层次结构。树中包含3种结点：根结点、内部结点、叶子结点。
4. 决策树只有一个根结点，是全体训练数据的集合。树中每个内部结点都是一个分裂问题：指定了对实例的某个属性的测试，它将到达该结点的样本按照某个特定的属性进行分割，并且该结点的每一个后继分支对应于该属性的一个可能值。
5. 每个叶子结点是带有分类标签的数据集合，即为样本所属的分类。

1.2 算法优点

1. 决策树易于理解和实现，用户在学习过程中不需要了解过多的背景知识，其能够直接体现数据的特点，只要通过适当的解释，用户能够理解决策树所表达的意义。
2. 速度快，计算量相对较小，且容易转化成分类规则。只要沿着根结点向下一直走到叶子结点，沿途分裂条件是唯一且确定的。

1.3 算法缺点

1. 主要是在处理大样本集时，易出现过拟合现象，降低分