Los árboles de decisión

Los árboles de decisión, o árboles de clasificación y árboles de regresión, predicen las respuestas a los datos. Para predecir una respuesta, siga las decisiones del árbol desde el nodo raíz (principio) hasta un nodo hoja. El nodo hoja contiene la respuesta. Los árboles de clasificación dan respuestas que son nominales, como o .'true''false' Los árboles de regresión proporcionan respuestas numéricas.

los árboles son binarios.Statistics and Machine Learning Toolbox™ Cada paso de una predicción implica comprobar el valor de un predictor (variable). Por ejemplo, aquí hay un árbol de clasificación simple:

Este árbol predice las clasificaciones basadas en dos predictores y .x1x2 Para predecir, comience en el nodo superior, representado por un triángulo. La primera decisión es si es menor que .x10.5 Si es así, siga la rama izquierda y vea que el árbol clasifica los datos como tipo .0

Si, sin embargo, supera , siga la rama derecha hasta el nodo de triángulo inferior derecho.x10.5 Aquí el árbol pregunta si es más pequeño que .x20.5 Si es así, siga la rama izquierda para ver que el árbol clasifica los datos como tipo .0 Si no es así, siga la rama derecha para ver que el árbol clasifica los datos como tipo .1

Para obtener información sobre cómo preparar los datos para la clasificación o la regresión mediante árboles de decisión, consulte .Pasos en el Aprendizaje Supervisado

El árbol de clasificación de trenes

Abrir script en vivo

En este ejemplo se muestra cómo entrenar un árbol de clasificación.

Cree un árbol de clasificación utilizando todo el conjunto de datos.ionosphere

load ionosphere % Contains X and Y variables Mdl = fitctree(X,Y)

Mdl =    ClassificationTree              ResponseName: 'Y'     CategoricalPredictors: []                ClassNames: {'b'  'g'}            ScoreTransform: 'none'           NumObservations: 351     Properties, Methods

El árbol de regresión del tren

Abrir script en vivo

En este ejemplo se muestra cómo entrenar un árbol de regresión.

Cree un árbol de regresión utilizando toda la observación del conjunto de datos.carsmall Considere los vectores y como variables predictoras y el vector como la respuesta.HorsepowerWeightMPG

load carsmall % Contains Horsepower, Weight, MPG X = [Horsepower Weight];  Mdl = fitrtree(X,MPG)

Mdl =    RegressionTree              ResponseName: 'Y'     CategoricalPredictors: []         ResponseTransform: 'none'           NumObservations: 94     Properties, Methods

Referencias

[1] Breiman, L., J. H. Friedman, R. A. Olshen, and C. J. Stone. Classification and Regression Trees. Boca Raton, FL: Chapman & Hall, 1984.

Consulte también

ClassificationTree | fitctree | fitrtree | RegressionTree