决策树matlab怎么

决策树是一种常用的数据挖掘和机器学习算法，在MATLAB中可以使用 Statistics and Machine Learning Toolbox 来构建决策树模型。以下是基本步骤：

1. **导入数据**：
使用`readtable`或`csvread`等函数加载数据集，将其转换成适合处理的形式。

data = readtable('your_dataset.csv');

2. **准备数据**：
分割数据集为训练集和测试集（如果需要）。使用`cvpartition`创建交叉验证划分，如5折交叉验证。

cv = cvpartition(height(data),'HoldOut',0.3); % 30%测试集
idxTrain = training(cv);
idxTest = test(cv);
trainData = data(idxTrain,:);
testData = data(idxTest,:);

3. **创建决策树模型**：
使用`fitctree`函数，它接受训练数据、响应变量和其他特征作为输入。

treeModel = fitctree(trainData, 'ResponseVarName', 'YourResponseColumn'); % 'YourResponseColumn' 是目标列名

4. **模型评估**：
预测测试集并计算性能指标，如准确率、召回率或混淆矩阵。

predictedLabels = predict(treeModel, testData);
confMat = confusionmat(testData.YourResponseColumn, predictedLabels);
accuracy = sum(diag(confMat))/sum(confMat(:));

5. **可视化决策树**：
可以使用`view`或`plot`函数展示决策树结构。

view(treeModel)