决策树DT程序(MATLAB)，分类或回归问题。 有例子，易上手，只要换数据就行，保证正常运行

决策树DT程序(MATLAB)，分类或回归问题。 有例子，易上手，只要换数据就行，保证正常运行。

直接上干货！咱们今天用MATLAB整点实用的决策树玩法，手把手教你搞定分类和回归问题。别被算法名字吓到，其实就是让机器自己学if-else规则，跟人做选择题差不多。

先看分类任务。假设咱们手头有经典的鸢尾花数据集，四个特征（花瓣长宽啥的），要分成三个品种。直接撸代码：

% 加载内置数据集 load fisheriris X = meas; % 特征矩阵 Y = species; % 分类标签 % 训练分类树 tree = fitctree(X, Y, 'MinLeafSize',5); % 交叉验证防止过拟合 cv_model = crossval(tree); loss = kfoldLoss(cv_model); disp(['误分类率: ', num2str(loss*100), '%']) % 可视化决策树 view(tree,'Mode','graph')

这里fitctree的'MinLeafSize'参数控制叶子最小样本量，调大这个值能让树更简单。跑完能看到树形结构图，每个节点都写着分裂条件，跟流程图似的。交叉验证那部分帮你检查模型是不是背答案（过拟合）了。

回归任务更带劲。比如预测房价，搞个模拟数据演示：

% 生成波浪形数据 X = linspace(0, 10, 100)'; Y = sin(X*2) + X/5 + randn(100,1)*0.3; % 训练回归树 rtree = fitrtree(X, Y, 'MinParentSize',10); % 预测并画图 x_test = linspace(0,10,200)'; pred = predict(rtree, x_test); figure plot(X,Y,'bo', x_test,pred,'r-','LineWidth',2) legend('原始数据','预测曲线')

注意这次用的是fitrtree，输出是连续值。回归树会把数据切成多个区间，每个区间用平均值预测。代码里加了噪声模拟真实数据，跑起来能看到红色预测线在噪声点中间平滑波动。

替换自己数据时记住格式：

• 分类问题：特征矩阵是N行D列，标签是N×1的分类数组
• 回归问题：特征和标签都得是数值矩阵
• 遇到内存不够就把'MaxDepth'参数调小，限制树的高度

遇到树太复杂的情况，可以手动剪枝：

% 剪掉不重要的分支 pruned_tree = prune(tree,'Level',3); view(pruned_tree)

Level参数控制剪枝强度，自己多试几次找到平衡点。实际用起来决策树最大的优势是结果可解释——随便抓个业务人员都能看懂模型判断逻辑，这点在金融风控这些领域特别吃香。

最后说个坑：决策树对数据微小变化敏感，建议重要项目用随机森林这类集成方法。但如果是快速验证想法或者需要模型透明，这玩意绝对能打。代码打包扔GitHub上，换个CSV文件路径就能跑你自己的数据，试试？