决策树matlab手写数字,用决策树方法对手写数字的识别

决策树的matlab实现(运用在手写数字的0，1识别)

[1]单个决策树的实现。

一、载入实验数据

%载入实验的原始数据

images = loadMNISTImages('train-images.idx3-ubyte');

labels = loadMNISTLabels('train-labels.idx1-ubyte');

images_0=images(:,labels==0);

images_1=images(:,labels==1);

Images_te = loadMNISTImages('t10k-images.idx3-ubyte');

Labels_te = loadMNISTLabels('t10k-labels.idx1-ubyte');

Images_te_0=Images_te(:,Labels_te==0);

Images_te_1=Images_te(:,Labels_te==1);

%对原始数据进行处理

X=[images_0 images_1]'; %将0和1的训练样本拼接成新的矩阵。注意此时时是每一行代表一个样本。

Y=[zeros(5923,1) ones(6724,1)]; %生成训练样本相应的类别标签，是一个列向量。每一个元素代表相应样本所属于的类别。

Images_te_0=Images_te_0'; %测试样本的数字0，每一行代表一个样本。

Images_te_1=Images_te_1'; % 测试样本的数字1，每一行代表一个样本.

二、构建决策树

t=treefit(X,Y);

% X是训练样本，一定注意是每一行代表一个样本数据。Y是训练样本

% 所对应的类别标签，仍旧是一个列向量。t就是根据训练样本构建的一个决策树。

三、用决策树对测试样本进行分类

result0=treeval(t,Images_te_0');

% 对测试样本手写数字0进行识别。result0为一个列向量，每一元素表示对应样本被识别为的类。

%treeval函数的格式为treeval(t,X)，其中，t为构建的决策树，X为测试样本。一定要注意X的每一行表示的是一个样本。

result1=treeval(t,Images_te_1'); %对测试样本数字1进行分类。

四、错误率分析

error0=find(result~=0);

error1=find(result~=1); %找出被识别错误的数字0和1的索引。

rate0=size(error0,1)/980;

rate1=size(error1,1)/980; %分别计算错误率。

实验结果为