Matlab：决策树显示无效的输出值

Question

我正在使用classregtree（X，Y）函数创建决策树。我将X传递为大小为70X9的矩阵（70个数据对象，每个具有9个属性），Y作为70X1矩阵。我的每个Y值都是2或4.但是，在形成的决策树中，它为某些叶节点赋予值2.5或3.5。

为什么会出现这种情况的任何想法？

Answer 1

您在回归模式下使用classregtree（这是默认模式）。 将模式更改为分类模式。

Answer 2

以下是使用CLASSREGTREE进行分类的示例：

%# load dataset
load fisheriris

%# split training/testing
cv = cvpartition(species, 'holdout',1/3);
trainIdx = cv.training;
testIdx = cv.test;

%# train
t = classregtree(meas(trainIdx,:), species(trainIdx), 'method','classification', ...
    'names',{'SL' 'SW' 'PL' 'PW'});

%# predict
pred = t.eval(meas(testIdx,:));

%# evaluate
cm = confusionmat(species(testIdx),pred)
acc = sum(diag(cm))./sum(testIdx)

输出（混淆矩阵和准确度）：

cm =
    17     0     0
     0    13     3
     0     2    15
acc =
          0.9

现在，如果您的目标类被编码为数字，则返回的预测仍将是字符串的单元格数组，因此您必须将它们转换回数字：

%# load dataset
load fisheriris
[species,GN] = grp2idx(species);

%# ...

%# evaluate
cm = confusionmat(species(testIdx),str2double(pred))
acc = sum(diag(cm))./sum(testIdx)

请注意，分类将始终返回字符串，因此我认为您可能错误地使用了method=regression选项，该选项执行regression（数字目标）而不是classification（离散目标）