用旧版本Matlab训练的 classregtree类的决策树model 在新版Matlab无法使用的解决方法

最新推荐文章于 2024-07-21 12:12:34 发布
最新推荐文章于 2024-07-21 12:12:34 发布
阅读量531 收藏 2
点赞数 2
分类专栏： matlab函数 文章标签： matlab 决策树
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_30387863/article/details/136183791
版权

背景

  • 想把原来r2015a版本的代码升级到r2021b，用2021b运行原来的代码时，报错
    在这里插入图片描述
  • 搜索发现R2019a中已经去除了classregtree函数和classregtree类
    在这里插入图片描述
    在这里插入图片描述

解决方法

新版本的Matlab load(‘TreeModel.mat’)后，查看TreeModel的值

val = 

分类的决策树
 1  if SL<5.45 then node 2 elseif SL>=5.45 then node 3 else setosa
 2  if SW<2.8 then node 4 elseif SW>=2.8 then node 5 else setosa
 3  if SL<6.15 then node 6 elseif SL>=6.15 then node 7 else virginica
 4  class = versicolor
 5  class = setosa
 6  if SW<3.45 then node 8 elseif SW>=3.45 then node 9 else versicolor
 7  if SL<7.05 then node 10 elseif SL>=7.05 then node 11 else virginica
 8  if SL<5.75 then node 12 elseif SL>=5.75 then node 13 else versicolor
 9  class = setosa
10  if SW<2.4 then node 14 elseif SW>=2.4 then node 15 else virginica
11  class = virginica
12  class = versicolor
13  if SW<3.1 then node 16 elseif SW>=3.1 then node 17 else versicolor
14  class = versicolor
15  if SL<6.95 then node 18 elseif SL>=6.95 then node 19 else virginica
16  if SW<2.95 then node 20 elseif SW>=2.95 then node 21 else versicolor
17  class = versicolor
18  if SW<3.15 then node 22 elseif SW>=3.15 then node 23 else virginica
19  class = versicolor
20  class = versicolor
21  class = virginica
22  if SL<6.55 then node 24 elseif SL>=6.55 then node 25 else virginica
23  class = virginica
24  if SW<2.95 then node 26 elseif SW>=2.95 then node 27 else virginica
25  if SL<6.65 then node 28 elseif SL>=6.65 then node 29 else versicolor
26  if SL<6.45 then node 30 elseif SL>=6.45 then node 31 else virginica
27  class = virginica
28  class = versicolor
29  if SW<2.65 then node 32 elseif SW>=2.65 then node 33 else virginica
30  if SW<2.85 then node 34 elseif SW>=2.85 then node 35 else virginica
31  class = versicolor
32  class = virginica
33  if SW<2.9 then node 36 elseif SW>=2.9 then node 37 else versicolor
34  class = virginica
35  class = versicolor
36  class = versicolor
37  class = virginica

TreeModel共有37个nodes，
在这里插入图片描述
决策树model就是根据特征值是否满足条件 进而判断哪一类别，因此，把model改成判断的function就可以重新调用了，每个node对应一个子function，共37个子function


function result = TreeModelFunction(Features)
% 分类的决策树
%  1  if SL<5.45 then node 2 elseif SL>=5.45 then node 3 else setosa
%  2  if SW<2.8 then node 4 elseif SW>=2.8 then node 5 else setosa
%  3  if SL<6.15 then node 6 elseif SL>=6.15 then node 7 else virginica
%  4  class = versicolor
%  5  class = setosa
%  6  if SW<3.45 then node 8 elseif SW>=3.45 then node 9 else versicolor
%  7  if SL<7.05 then node 10 elseif SL>=7.05 then node 11 else virginica
%  8  if SL<5.75 then node 12 elseif SL>=5.75 then node 13 else versicolor
%  9  class = setosa
% 10  if SW<2.4 then node 14 elseif SW>=2.4 then node 15 else virginica
% 11  class = virginica
% 12  class = versicolor
% 13  if SW<3.1 then node 16 elseif SW>=3.1 then node 17 else versicolor
% 14  class = versicolor
% 15  if SL<6.95 then node 18 elseif SL>=6.95 then node 19 else virginica
% 16  if SW<2.95 then node 20 elseif SW>=2.95 then node 21 else versicolor
% 17  class = versicolor
% 18  if SW<3.15 then node 22 elseif SW>=3.15 then node 23 else virginica
% 19  class = versicolor
% 20  class = versicolor
% 21  class = virginica
% 22  if SL<6.55 then node 24 elseif SL>=6.55 then node 25 else virginica
% 23  class = virginica
% 24  if SW<2.95 then node 26 elseif SW>=2.95 then node 27 else virginica
% 25  if SL<6.65 then node 28 elseif SL>=6.65 then node 29 else versicolor
% 26  if SL<6.45 then node 30 elseif SL>=6.45 then node 31 else virginica
% 27  class = virginica
% 28  class = versicolor
% 29  if SW<2.65 then node 32 elseif SW>=2.65 then node 33 else virginica
% 30  if SW<2.85 then node 34 elseif SW>=2.85 then node 35 else virginica
% 31  class = versicolor
% 32  class = virginica
% 33  if SW<2.9 then node 36 elseif SW>=2.9 then node 37 else versicolor
% 34  class = virginica
% 35  class = versicolor
% 36  class = versicolor
% 37  class = virginica
%
% 注意: Features 是单个样本的特征值，大小为1*2
%       这个TreeModelFunction根据特征值判断该样本属于以下三类中的哪一类：'setosa' 'virginica' 'versicolor'
%       TreeModelFunction函数只能判断单个样本的类别，如要判断多个样本的类别，请循环调用TreeModelFunction函数
% 例子：
%    >> result = TreeModelFunction([4.5 2.5])
% 
%       result =
% 
%           1×1 cell 数组
% 
%           {'versicolor'}

SL = Features(1);
SW = Features(2);

result = node01(SL,SW);

end

% --------------------------------------------------------------------------
function result = node01(SL,SW)
if SL<5.45 
    result = node02(SL,SW); 
elseif SL>=5.45 
    result = node03(SL,SW); 
else 
    result{1} = 'setosa';
end
end

function result = node02(SL,SW)
if SW<2.8  
    result = node04(SL,SW); 
elseif SW>=2.8  
    result = node05(SL,SW); 
else 
    result{1} = 'setosa';
end
end

function result = node03(SL,SW)
if SL<6.15  
    result = node06(SL,SW); 
elseif SL>=6.15  
    result = node07(SL,SW); 
else 
    result{1} = 'virginica';
end
end

function result = node04(SL,SW)
result{1} = 'versicolor';
end

function result = node05(SL,SW)
result{1} = 'setosa';
end

function result = node06(SL,SW)
if SW<3.45  
    result = node08(SL,SW); 
elseif SW>=3.45  
    result = node09(SL,SW); 
else 
    result{1} = 'versicolor';
end
end

function result = node07(SL,SW)
if SL<7.05  
    result = node10(SL,SW); 
elseif SL>=7.05  
    result = node11(SL,SW); 
else 
    result{1} = 'virginica';
end
end

function result = node08(SL,SW)
if SL<5.75  
    result = node12(SL,SW); 
elseif SL>=5.75  
    result = node13(SL,SW); 
else 
    result{1} = 'versicolor';
end
end

function result = node09(SL,SW)
result{1} = 'setosa';
end

function result = node10(SL,SW)
if SW<2.4  
    result = node14(SL,SW); 
elseif SW>=2.4  
    result = node15(SL,SW); 
else 
    result{1} = 'virginica';
end
end

function result = node11(SL,SW)
result{1} = 'virginica';
end

function result = node12(SL,SW)
result{1} = 'versicolor';
end

function result = node13(SL,SW)
if SW<3.1  
    result = node16(SL,SW); 
elseif SW>=3.1  
    result = node17(SL,SW); 
else 
    result{1} = 'versicolor';
end
end

function result = node14(SL,SW)
result{1} = 'versicolor';
end

function result = node15(SL,SW)
if SL<6.95  
    result = node18(SL,SW); 
elseif SL>=6.95  
    result = node19(SL,SW); 
else 
    result{1} = 'virginica';
end
end

function result = node16(SL,SW)
if SW<2.95  
    result = node20(SL,SW); 
elseif SW>=2.95  
    result = node21(SL,SW); 
else 
    result{1} = 'versicolor';
end
end

function result = node17(SL,SW)
result{1} = 'versicolor';
end

function result = node18(SL,SW)
if SW<3.15  
    result = node22(SL,SW); 
elseif SW>=3.15  
    result = node23(SL,SW); 
else 
    result{1} = 'virginica';
end
end

function result = node19(SL,SW)
result{1} = 'versicolor';
end

function result = node20(SL,SW)
result{1} = 'versicolor';
end

function result = node21(SL,SW)
result{1} = 'virginica';
end

function result = node22(SL,SW)
if SL<6.55  
    result = node24(SL,SW); 
elseif SL>=6.55  
    result = node25(SL,SW); 
else 
    result{1} = 'virginica';
end
end

function result = node23(SL,SW)
result{1} = 'virginica';
end

function result = node24(SL,SW)
if SW<2.95  
    result = node26(SL,SW); 
elseif SW>=2.95  
    result = node27(SL,SW); 
else 
    result{1} = 'virginica';
end
end

function result = node25(SL,SW)
if SL<6.65  
    result = node28(SL,SW); 
elseif SL>=6.65  
    result = node29(SL,SW); 
else 
    result{1} = 'versicolor';
end
end

function result = node26(SL,SW)
if SL<6.45  
    result = node30(SL,SW); 
elseif SL>=6.45  
    result = node31(SL,SW); 
else 
    result{1} = 'virginica';
end
end

function result = node27(SL,SW)
result{1} = 'virginica';
end

function result = node28(SL,SW)
result{1} = 'versicolor';
end

function result = node29(SL,SW)
if SW<2.65  
    result = node32(SL,SW); 
elseif SW>=2.65  
    result = node33(SL,SW); 
else 
    result{1} = 'virginica';
end
end

function result = node30(SL,SW)
if SW<2.85  
    result = node34(SL,SW); 
elseif SW>=2.85  
    result = node35(SL,SW); 
else 
    result{1} = 'virginica';
end
end

function result = node31(SL,SW)
result{1} = 'versicolor';
end

function result = node32(SL,SW)
result{1} = 'virginica';
end

function result = node33(SL,SW)
if SW<2.9  
    result = node36(SL,SW); 
elseif SW>=2.9  
    result = node37(SL,SW); 
else 
    result{1} = 'versicolor';
end
end

function result = node34(SL,SW)
result{1} = 'virginica';
end

function result = node35(SL,SW)
result{1} = 'versicolor';
end

function result = node36(SL,SW)
result{1} = 'versicolor';
end

function result = node37(SL,SW)
result{1} = 'virginica';
end

例子：

例子：
   >> result = TreeModelFunction([4.5 2.5])

      result =

          1×1 cell 数组

          {'versicolor'}
ChanMon
关注
  • 2
    点赞
  • 踩
  • 2
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
在运行决策树时出现：pydotplus.graphviz.InvocationException: GraphViz's executables not found
随风i的博客
10-14 1109
在执行决策树的过程中，虽然安装并导入了库 pydotplus，但仍出现问题GraphViz's executables not found。 图示如下： 原因是因为系统中缺失GraphViz库，通过在官网进行适合自己系统的版本进行下载：https://graphviz.gitlab.io/download/ 进行安装：默认路径为 C:\Program Files (x86)\Graphv...
疑问5：决策树代码出现问题的几种情况
weixin_40945354的博客
02-11 1531
‘dict_keys’ object is not subscriptable
使用matlab实现决策树cart算法（基于fitctree函数）
u010356524的博客
04-08 1万+
使用的是matlab自带的fitctree函数，也就是classregtree函数（老版本），函数用法一致。 看了网上别人的教程都乱七八糟的，也没有注释，所以自己写了一个。 数据直接用的matlab里自带的举例用数据，所以代码直接复制到maltab里即可运行。 大家有更好的想法或疑问欢迎留言交流。 %% Created by Indiffer %数据预处理 load ionosphere;...
matlab决策树分类程序,分类树 - MATLAB & Simulink - MathWorks 中国
weixin_35852816的博客
03-19 251
Create and compare classification trees, and export trained models to makepredictions for new data.Understand the steps for supervised learning and the characteristics of nonparametric classification ...
MATLAB技术论坛数据挖掘公开课 06.MATLAB数据挖掘-分类算法与决策树 共8页.pdf
07-10
分类算法与决策树 1 1 分类的概念 3 2 预备知识 3 2.1 目的 3 2.2 辨别 3 2.3 分类VS预测 3 2.3.1 分类 3 2.3.2 预测 3 2.3.3 相同点 3 2.3.4 不同点 3 2.4 分类VS聚类 4 2.4.1 分类 4 2.4.2 聚类 4 3 算法 4 3.1 ...
使用决策树实现分类
12-29
在本教程中，我们将深入探讨如何使用决策树进行分类。 首先，我们需要理解决策树的基本原理。决策树由节点和边组成，其中根节点代表整个数据集，内部节点表示特征或属性，而叶节点则代表最终的类别。在构建过程中，...
决策树Adaboost,决策树adaboost的python代码,matlab
09-10
决策树Adaboost是一种集成学习方法，通过组合多个弱分类器形成一个强分类器，显著提高了决策树模型的预测性能。Adaboost（Adaptive Boosting）由Yoav Freund和Robert Schapire在1995年提出，其核心思想是通过迭代...
zixiangguanxishu.rar_AR_ar matlab_时间序列 matlab_时间序列分类
09-22
在“时间序列分类”的上下文中，可能涉及的是将不同类别的时间序列数据通过某种算法（如支持向量机、决策树或神经网络）进行区分。这类问题在模式识别、金融预测等领域具有重要价值。"zixiangguanxishu.m"脚本可能会...
决策树及MATLAB函数使用
热门推荐
沉心修炼
12-13 5万+
决策树算法以及MATLAB函数使用 决策树的生成是一个递归的过程，在决策树算法
matlab自带各种分类器的使用示例
geqiandesuyan的博客
04-25 7099
目前了解到的MATLAB中分类器有：K近邻分类器，随机森林分类器，朴素贝叶斯，集成学习方法，鉴别分析分类器，支持向量机。现将其主要函数使用方法总结如下，更多细节需参考MATLAB 帮助文件。 设 　　训练样本：train_data             % 矩阵，每行一个样本，每列一个特征 　　训练样本标签：train_label       % 列向量 　　测试样本：test_da
决策树--matlab自带函数
s151506879的博客
07-13 4万+
已知训练数据和训练数据类，获得决策树模型： t=treefit(train_X,y);%train_X的行数为样本数，列数为特征数；y的行数为样本数，1列表征类； t=classregtree(train_X,y):%用法与上一致，只是treefit为ID3算法，classregtree为CART算法； 现在多使用classregtree； 关于决策树的相关函数目前多放在cla
matlab 一些函数用法（不断补充）
姚太平的博客
03-22 717
matlab
有关电力电子技术的一些相关仿真和分析：⑦三相桥式电压型PWM逆变器与直接/间接法控制单相全桥结构PWM整流器（MATLAB/Siumlink仿真）
xjtuymh的博客
07-17 3612
关于三相桥式电压型PWM逆变器与直接/间接法控制单相全桥结构PWM整流器的仿真模型搭建
MATLAB--文件操作相关指令
MelyLenient的博客
07-17 674
记录一下M文件创建、操作、获取信息等相关资料。MATLAB的M文件是用来代替MATLAB命令行窗口输入指令的文件。因此所有的MATLAB指令都可以再MATLAB的M文件中调用.
3.1、matlab双目相机标定实验
XU157303764的博客
07-20 1166
matlab双目相机标定实验
【信号分解】基于极点对称模态分解ESMD实现信号分解附Matlab代码
算法如诗的博客
07-21 342
【信号分解】基于极点对称模态分解ESMD实现信号分解附Matlab代码
故障诊断 | 基于小波包能量谱对滚动轴承的故障诊断Matlab代码
最新发布
关注并私信文章链接，获取对应文章源码和数据，机器学习之心的博客。
07-21 199
故障诊断 | 基于小波包能量谱对滚动轴承的故障诊断Matlab代码
【独家首发】Matlab实现天鹰优化算法AO优化Transformer-LSTM实现负荷数据回归预测
算法如诗的博客
07-21 236
【独家首发】Matlab实现天鹰优化算法AO优化Transformer-LSTM实现负荷数据回归预测
如何使用决策树adaboost对数据进行分类，写个matlab代码，并保存这个网络？
06-08
使用决策树adaboost对数据进行分类的步骤如下： 1. 加载数据集 2. 将数据集分为训练集和测试集 3. 训练adaboost模型 4. 对测试集进行分类 5. 计算分类准确率 下面是一个简单的MATLAB代码示例： ```matlab % 加载数据集 load fisheriris; % 这里使用内置的鱼类数据集 % 将数据集分为训练集和测试集 num_samples = size(meas, 1); train_ratio = 0.7; % 训练集占总样本数的比例 train_num = round(num_samples * train_ratio); test_num = num_samples - train_num; idx = randperm(num_samples); % 随机打乱样本顺序 train_idx = idx(1:train_num); test_idx = idx(train_num+1:end); train_data = meas(train_idx,:); train_labels = species(train_idx); test_data = meas(test_idx,:); test_labels = species(test_idx); % 训练adaboost模型 num_trees = 50; % 设定使用50个决策树 adaboost_model = fitensemble(train_data, train_labels, 'AdaBoostM2', num_trees, 'Tree'); % 对测试集进行分类 predicted_labels = predict(adaboost_model, test_data); % 计算分类准确率 accuracy = sum(strcmp(predicted_labels, test_labels)) / numel(test_labels); disp(['分类准确率为：', num2str(accuracy)]); % 保存adaboost模型 save('adaboost_model.mat', 'adaboost_model'); ``` 这将训练一个包含50个决策树的adaboost模型，并将模型保存到名为`adaboost_model.mat`的文件中。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值