Decision Tree的matlab实现及原理

这孩子谁懂哈

于 2017-01-15 15:02:30 发布

阅读量1.7k

点赞数 1

CC 4.0 BY-SA版权

分类专栏： Machine Learning

本文链接：https://blog.youkuaiyun.com/zhaomengszu/article/details/54562092

这篇博客介绍了如何在Matlab中实现决策树，包括读取数据、构建决策树模型、剪枝操作以及评估模型的准确率。通过一个糖尿病数据集进行训练和预测，展示了决策树在数据分类中的应用。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

clear all;
clc;
[S1,S2,S3,S4,S5,S6,S7,S8,classity]=textread('Pima-training-set.txt','%f %f %f %f %f %f %f %f %s');%Pima-training-set.txt
D=[S1 S2 S3 S4 S5 S6 S7 S8];
AttributName={ 'preg','plas','pres','skin','insu','mass','pedi','age'};
t=classregtree(D,classity,'names',AttributName);
t=prune(t,'level',1);% j减掉最后5层
view(t);
yfit1=eval(t,D,1);
count1=0;
for i=1:length(yfit1)
    if(strcmp(classity(i,1),yfit1(i,1)))
           count1=count1+1;
    end
end
fprintf('Accuracy of training is:%d \n',count1/length(yfit1));

costsum=zeros(10,1);   %10_1,9_2...
for k=1:10
cost=test(t,'cross',D,classity);
costsum=costsum+cost;
end
costsum=costsum/10;
i=1:10;
plot(i,costsum,'-o');xlabel('交叉次数');ylabel('错误率');
title('Training-决策树k 倍交叉错误率曲线');
[T1,T2,T3,T4,T5,T6,T7,T8,kind]=textread('Pima-prediction-set.txt','%f %f %f %f %f %f %f %f %s');
D2=[T1 T2 T3 T4 T5 T6 T7 T8];
yfit=eval(t,D2,1);
count=0;
for i=1:length(yfit)
    if