matlab三分类决策树代码

以下是一个简单的MATLAB代码示例，用于构建和训练三分类决策树模型，并使用测试集进行测试和评估：

% 创建一个数据集
features = [1 2; 2 3; 3 4; 4 5; 5 6; 6 7; 7 8; 8 9; 9 10; 10 11; 11 12; 12 13];
labels = categorical({'A';'B';'C';'A';'B';'C';'A';'B';'C';'A';'B';'C'});

% 将数据集分成训练集和测试集
cv = cvpartition(labels,'Holdout',0.3);
trainingFeatures = features(cv.training,:);
trainingLabels = labels(cv.training,:);
testFeatures = features(cv.test,:);
testLabels = labels(cv.test,:);

% 训练决策树模型
tree = fitctree(trainingFeatures,trainingLabels);

% 使用训练好的模型进行预测
predictedLabels = predict(tree,testFeatures);

% 计算混淆矩阵和分类准确率
C = confusionmat(testLabels,predictedLabels);
accuracy = sum(diag(C))/sum(C(:));

% 显示结果
disp('混淆矩阵：');
disp(C);
disp(['分类准确率：' num2str(accuracy)]);

在这个例子中，我们首先创建了一个包含12个样本和3个类别（A、B和C）的数据集。然后，我们使用cvpartition函数将数据集分成训练集和测试集。接着，使用fitctree函数训练决策树模型。然后，使用predict函数对测试集进行预测，并使用confusionmat函数计算混淆矩阵和分类准确率。最后，我们将结果显示在命令窗口中。

注意：在实际应用中，你可以根据自己的数据集和需求修改代码。