matlab决策树分类案例
时间: 2023-11-03 10:01:12 浏览: 60
下面是一个基于 MATLAB 的决策树分类案例:
假设我们有一个关于患者的数据集,其中包含了患者的年龄、性别、血压和体重信息以及一个是否患有糖尿病的标签。我们的目标是通过决策树分类算法对该数据集进行分类,并预测新患者是否患有糖尿病。
首先,我们需要导入数据集并对其进行预处理。我们可以使用 MATLAB 中的 `csvread` 函数来读取 CSV 文件,并将数据集分为特征和标签两个部分:
```matlab
% 导入数据集
data = csvread('diabetes.csv', 1, 0);
% 分离特征和标签
X = data(:, 1:4);
y = data(:, 5);
```
接下来,我们可以使用 MATLAB 中的 `fitctree` 函数来训练决策树模型。该函数需要指定训练集的特征和标签,以及其他一些可选参数。例如,我们可以使用 `MaxNumSplits` 参数来指定树的最大深度:
```matlab
% 训练决策树模型
tree = fitctree(X, y, 'MaxNumSplits', 3);
```
训练完成后,我们可以使用 `view` 函数来查看生成的决策树:
```matlab
% 查看决策树
view(tree, 'Mode', 'graph');
```
生成的决策树将会在 MATLAB 命令窗口中显示出来。
最后,我们可以使用 `predict` 函数来对新患者进行分类,并预测其是否患有糖尿病:
```matlab
% 预测新患者是否患有糖尿病
new_patient = [50, 1, 80, 150];
prediction = predict(tree, new_patient);
disp(prediction);
```
该代码将会输出预测结果,即该新患者是否患有糖尿病。