决策树mattlab代码

决策树是一种常用的机器学习算法，用于分类和回归任务。在MATLAB中，决策树可以通过机器学习工具箱（Machine Learning Toolbox）中的函数来实现。以下是一个简单的MATLAB代码示例，展示如何使用决策树算法对数据进行分类：

% 假设你已经有了输入特征矩阵X和目标变量向量Y
% X是一个n×m的矩阵，其中n是样本数量，m是特征数量
% Y是一个n维的向量，包含了每个样本的标签或类别

% 加载数据集（这里以load函数为例，实际应根据你自己的数据格式来）
% [X, Y] = load('your_dataset');

% 划分数据集为训练集和测试集（例如，使用70%的数据作为训练集）
cv = cvpartition(size(X, 1), 'HoldOut', 0.3);

% 训练决策树模型
treeModel = fitctree(X(training(cv), :), Y(training(cv)));

% 预测测试集的标签
predictedY = predict(treeModel, X(test(cv), :));

% 计算并显示分类准确度
accuracy = sum(predictedY == Y(test(cv))) / length(Y(test(cv)));
fprintf('分类准确度: %.2f%%\n', accuracy * 100);

% 可视化决策树（如果数据维度不高的话）
view(treeModel, 'Mode', 'graph');

这段代码首先通过`fitctree`函数训练决策树模型，然后使用训练好的模型对测试集进行预测，并计算准确度。最后，如果数据维度不高，还可以通过`view`函数可视化决策树的结构。

请注意，根据你的具体数据和需求，你可能需要对上述代码进行适当的修改，比如调整数据预处理的方式、决策树的参数设置等。