Я видел справку в Matlab, но они обеспечили пример, не объясняя, как использовать параметры в функции 'classregtree'. Любая справка для объяснения использования 'classregtree' с его параметрами будет цениться.
Страница документации функции classregtree является поясняющей....
Перейдем к некоторым наиболее распространенным параметрам модели дерева классификации:
Полный пример для иллюстрации процесса:
%# load data
load carsmall
%# construct predicting attributes and target class
vars = {'MPG' 'Cylinders' 'Horsepower' 'Model_Year'};
x = [MPG Cylinders Horsepower Model_Year]; %# mixed continous/discrete data
y = cellstr(Origin); %# class labels
%# train classification decision tree
t = classregtree(x, y, 'method','classification', 'names',vars, ...
'categorical',[2 4], 'prune','off');
view(t)
%# test
yPredicted = eval(t, x);
cm = confusionmat(y,yPredicted); %# confusion matrix
N = sum(cm(:));
err = ( N-sum(diag(cm)) ) / N; %# testing error
%# prune tree to avoid overfitting
tt = prune(t, 'level',3);
view(tt)
%# predict a new unseen instance
inst = [33 4 78 NaN];
prediction = eval(tt, inst) %# pred = 'Japan'
Класс вышеприведенного classregtree
class был признан устаревшим и заменен на ClassificationTree
и RegressionTree
классы в R2011a (см. функции fitctree
и fitrtree
, новые в R2014a).
Вот обновленный пример, использующий новые функции/классы:
t = fitctree(x, y, 'PredictorNames',vars, ...
'CategoricalPredictors',{'Cylinders', 'Model_Year'}, 'Prune','off');
view(t, 'mode','graph')
y_hat = predict(t, x);
cm = confusionmat(y,y_hat);
tt = prune(t, 'Level',3);
view(tt)
predict(tt, [33 4 78 NaN])