决策树回归算法matlab

MATLAB中可以使用TreeBagger函数实现决策树回归算法。具体步骤如下：

1. 准备数据集，包括自变量和因变量。
2. 将数据集划分为训练集和测试集。
3. 使用TreeBagger函数训练回归树模型，设置相关参数，如决策树数量、深度等。
4. 使用训练好的模型对测试集进行预测，计算预测误差。
5. 分析模型的预测结果，如误差分析、可视化等。

下面是一个简单的决策树回归示例：

% 准备数据
load carsmall
X = [Acceleration Displacement Horsepower Weight];
Y = MPG;

% 划分训练集和测试集
cv = cvpartition(Y,'holdout',0.3);
Xtrain = X(cv.training,:);
Ytrain = Y(cv.training,:);
Xtest = X(cv.test,:);
Ytest = Y(cv.test,:);

% 训练回归树模型
T = TreeBagger(50,Xtrain,Ytrain,'method','regression');

% 预测测试集
Ypred = predict(T,Xtest);

% 计算预测误差
RMSE = sqrt(mean((Ytest-Ypred).^2));

% 可视化结果
figure;
plot(Ytest,'o');hold on;
plot(Ypred,'*');
legend('真实值','预测值');

需要注意的是，决策树回归算法在处理连续型变量时需要进行离散化处理，可以使用discretize函数实现。另外，决策树回归算法也可以使用其他函数实现，如fitrtree和regtree等。