Дерево решений в Matlab - PullRequest
Новая
       29

Дерево решений в Matlab

11 голосов
/ 25 декабря 2009

Я видел помощь в Matlab, но они предоставили пример, не объясняя, как использовать параметры в функции 'classregtree'. Будем благодарны за любую помощь, чтобы объяснить использование 'classregtree' с его параметрами.

1 Ответ

34 голосов
/ 25 декабря 2009

Страница документации по функции classregtree не требует пояснений ...

Давайте рассмотрим некоторые из наиболее распространенных параметров модели дерева классификации:

  • x : матрица данных, строки - это экземпляры, столбцы - это предсказывающие атрибуты
  • y : вектор столбца, метка класса для каждого экземпляра
  • категориальный : укажите, какие атрибуты имеют дискретный тип (в отличие от непрерывного)
  • метод : создавать ли дерево классификации или регрессии (зависит от типа класса)
  • names : присваивает имена атрибутам
  • prune : включить / отключить сокращение с уменьшенной ошибкой
  • minparent / minleaf : позволяет указать минимальное количество экземпляров в узле, если оно будет дополнительно разделено
  • nvartosample : используется в случайных деревьях (учитывает K случайно выбранных атрибутов в каждом узле)
  • весовые коэффициенты : указать взвешенные экземпляры
  • стоимость : указать матрицу затрат (штраф за различные ошибки)
  • splitcriterion : критерий, используемый для выбора лучшего атрибута при каждом разделении. Я знаком только с индексом Джини, который является вариацией критерия получения информации.
  • priorprob : явно указывать вероятности предшествующего класса, а не рассчитывать на основе данных обучения

Полный пример, иллюстрирующий процесс: 

%# 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'

tree

Обновление:

Указанный выше класс classregtree устарел и заменен классами ClassificationTree и RegressionTree в R2011a (см. fitctree и fitrtree функций, новых в R2014a).

Вот обновленный пример с использованием новых функций / классов: 

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])
...