"DecisionTree" （机器学习方法）

详细信息与子选项

  • 决策树是一个流程图，每个内部结点表示一个特征上的“测试”，每个分支表示测试的输出，每片叶子表示一个类分布，值分布或概率密度.
  • 对于 Classify 和 Predict，树是使用 CART 算法构建的.
  • 对于 LearnDistribution, 分裂是使用信息标准折衷似然性和模型的复杂性来决定的.
  • 可以给出以下选项：
  • "DistributionSmoothing" 1正则化参数
    "FeatureFraction" 1用于培训的随机选择的特征比例（只在 Classify 和 Predict 中）

范例

打开所有单元关闭所有单元

基本范例  (3)

在标记的范例上培训预测器函数：

查询预测器的信息：

提取可用于重新培训的选项信息：

预测一个新范例：

产生某些数据并可视化：

在上面培训预测器函数：

比较数据和预测值，查看标准差：

使用方法 "DecisionTree" 学习分布：

可视化获取的 PDF：

获取关于分布的信息：

选项  (4)

"DistributionSmoothing"  (2)

使用 "DistributionSmoothing" 选项培训分类器：

使用 "DistributionSmoothing" 的默认值和蘑菇培训集训练分类器：

使用大的 "DistributionSmoothing" 培训第二个分类器：

比较测试集中的例子的概率：

"FeatureFraction"  (2)

使用 "FeatureFraction" 选项培训分类器：

使用蘑菇培训集和 "FeatureFraction" 的不同值培训两个分类器：

查看测试集上这些分类器的精确度：