分类树
用于多类学习的二叉决策树
要以交互方式生长分类树，请使用分类学习者为了获得更大的灵活性，使用fitctree在命令行。生长分类树后，通过将树和新的预测器数据传递给预测．
应用程序
| 分类学习者 | 训练模型使用监督机器学习对数据进行分类 |
块
| ClassificationTree预测 | 使用决策树分类器对观察结果进行分类 |
功能
类
ClassificationTree |
用于多类分类的二叉决策树 |
CompactClassificationTree |
紧凑的分类树 |
ClassificationPartitionedModel |
旨在分类模型 |
主题
- 使用分类学习应用程序训练决策树
创建和比较分类树，并导出训练过的模型，以便对新数据进行预测。
- 监督学习工作流和算法
理解监督学习的步骤和非参数分类和回归函数的特点。
- 决策树
了解决策树以及如何将它们与数据相匹配。
- 越来越多的决策树
为了种植决策树，
fitctree而且fitrtree对训练数据默认使用标准CART算法。 - 决策树视图
创建并查看经过训练的决策树的文本或图形描述。
- 可视化不同分类器的决策曲面
这个例子展示了如何为不同的分类算法可视化决策曲面。
- 分类树中分类预测器的分裂
了解在生长决策树时，用于最优地分割多级类别变量的启发式算法。
- 改进分类树和回归树
中的名称-值对参数来调优树
fitctree而且fitrtree． - 使用分类和回归树进行预测
使用训练过的分类和回归树预测类标签或响应。
- 预测子树的样本外响应
使用训练过的回归树预测新数据的响应，然后绘制结果图。
- 使用分类树预测块预测类标签
使用分类学习者应用程序训练分类决策树模型，然后使用ClassificationTree预测块进行标签预测。
- 定点部署的Simulink人体活动识别模型
从分类Simulink中生成代码®为定点部署准备的模型。
- 在Arduino硬件上使用机器学习算法识别打孔手势和弯曲手势(Simulink Arduino硬件支持包)
这个例子展示了如何使用Arduino®硬件的Simulink®支持包，使用机器学习算法识别打孔和弯曲手势。
您也可以从以下列表中选择网站: