MATLAB R2016a根据所列样本水果的特征构造决策树，并对构造好的决策树进行测试，不限编程工具，不限编程语言。

MATLAB R2016a中构建决策树通常涉及使用`fitctree`函数，它是Classification Tree Learner的一部分，它可以根据给定的数据集创建一个分类决策树模型。以下是基本步骤：

1. **数据准备**：首先，你需要有一份包含样本水果及其特征的数据集，比如颜色、大小、形状等属性作为输入变量，对应的类别标签（例如苹果、橙子、香蕉等）作为目标变量。

% 假设你已经有了名为fruitsData的数据表，其中包含特征数据和类别列
data = readtable('fruits_data.csv'); % 读取数据文件
features = data(:, 1:end-1); % 提取所有特征列
labels = data(:, end);       % 提取类别标签列

2. **构建决策树**：

   treeModel = fitctree(features, labels);

3. **训练模型**：

   [score, ~] = kfoldPredict(treeModel, features, 'Holdout', 0.2); % 分割数据进行交叉验证
   accuracy = sum(score == labels) / numel(labels); % 计算准确率

4. **评估与测试**：
可以使用`predict`函数对新的水果数据进行预测，并检查预测结果是否准确。

5. **可视化决策树**：

   view(treeModel) % 可视化决策树结构

当然，实际操作需要先安装并激活MATLAB R2016a环境，并确保有正确的数据格式。