matlab 决策树 categorical,Matlab中的决策树

功能

classregtree的文档页面是不言自明的…

让我们来看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,cols是预测属性

> y：列向量,每个实例的类标签

>分类：指定哪些属性是离散类型(而不是连续的)

>方法：是否生成分类或回归树(取决于类类型)

>名称：给出属性的名称

> prune：启用/禁用减少错误修剪

> minparent / minleaf：允许在节点中指定最小数量的实例,如果要进一步拆分

> nvartosample：用于随机树(考虑每个节点K个随机选择的属性)

权重：指定加权实例

> cost：指定成本矩阵(各种错误的罚分)

> splitcriterion：用于在每次拆分时选择最佳属性的标准.我只熟悉基尼系数指数,这是信息增益准则的变体.

> preprob：明确指定先验类概率,而不是从训练数据中计算出来

一个完整的例子来说明这个过程：

%# 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

<