matlab決策樹演算法

⑴ matlab treebagger是隨機森林么

TreeBagger實返敗卜現了一種bagged decision tree algorithm(袋裝決策樹演算法)，而不是隨機森林。
但漏穗可以通過適枯敗當的參數設置NVarToSample值來實現類似隨機森林的演算法。

⑵ 求會matlab和機器學習的大牛，教我怎麼實現一個隨機森林

隨機森明慧林顧名思義，是用隨機的方式建立一個森林，森林裡面有很多的決策激笑答樹組成，隨升肢機森林的每一棵決策樹之間是沒有關聯的。在得到森林之後，當有一個新的輸 入樣本進入的時候，就讓森林中的每一棵決策樹分別進行一下判斷，看看這個樣本應該屬於哪一類（對於分類演算法），然後看看哪一類被選擇最多，就預測這個樣本 為那一類。
在建立每一棵決策樹的過程中，有兩點需要注意 - 采樣與完全分裂。首先是兩個隨機采樣的過程，random forest對輸入的數據要進行行、列的采樣。對於行采樣，採用有放回的方式，也就是在采樣得到的樣本集合中，可能有重復的樣本。假設輸入樣本為N個，那 么采樣的樣本也為N個。

⑶ 決策樹ID3，C4.5，CART演算法中某一屬性分類後，是否能運用該屬性繼續分類

決策樹主要有ID3，C4.5，CART等形式。ID3選取信息增益的屬性遞歸進行分類，C4.5改進為使用信息增益率來選取分類屬性。CART是Classfication and Regression Tree的縮寫。表明CART不僅可以進行分類，也可以進行回歸。其中使用基尼系數選取分類屬性。以下主要介紹ID3和CART演算法。
ID3演算法：
信息熵： H(X)=-sigma（對每一個x）（plogp） H(Y|X)=sigma(對每一個x)（pH(Y|X=xi)）
信息增益：H（D）-H(D|X) H(D)是整個數據集的熵
信息增益率：（H(D)-H(D|X)）/H(X)
演算法流程：（1）對每一個屬性計算信息增益，若信息增益小於閾值，則將該支置為葉節點，選擇其中個數最多的類標簽作為該類的類標簽。否則，選擇其中最大的作為分類屬 性。
（2）若各個分支中都只含有同一類數據，則將這支置為葉子節點。
否則 繼續進行（1）。
CART演算法：
基尼系數：Gini（p）=sigma（每一個類）p(1-p)
回歸樹：屬性值為連續實數。將整個輸入空間劃分為m塊，每一塊以其平均值作為輸出。f(x)=sigma(每一塊)Cm*I(x屬於Rm)
回歸樹生成：（1）選取切分變數和切分點，將輸入空間分為兩份。
（2）每一份分別進行第一步，直到滿足停止條件。
切分變數和切分點選取：對於每一個變數進行遍歷，從中選擇切分點。選擇一個切分點滿足分類均方誤差最小。然後在選出所有變數中最小分類誤差最小的變數作為切分 變數。
分類樹：屬性值為離散值。
分類樹生成：（1）根據每一個屬性的每一個取值，是否取該值將樣本分成兩類，計算基尼系數。選擇基尼系數最小的特徵和屬性值，將樣本分成兩份。
（2）遞歸調用（1）直到無法分割。完成CART樹生成。

決策樹剪枝策略：
預剪枝（樹提前停止生長）和後剪枝（完全生成以後減去一些子樹提高預測准確率）
降低錯誤率剪枝：自下而上對每一個內部節點比較減去以其為葉節點和子樹的准確率。如果減去准確率提高，則減去，依次類推知道准確率不在提高。
代價復雜度剪枝：從原始決策樹T0開始生成一個子樹序列{T0、T1、T2、...、Tn},其中Ti+1是從Ti總產生，Tn為根節點。每次均從Ti中 減去具有最小誤差增長率的子樹。然後通過 交叉驗證比較序列中各子樹的效果選擇最優決策樹。

⑷ 基於matlab的葉子病蟲害災難程度監測是用什麼實現的

一般使用機器學習演算法，如支持向量機（SVM）、決策樹（DT）蠢指、帶首配隨機森林（芹老RF）等演算法來實現葉子病蟲害災難程度的監測。

⑸ 如何用matlab實現決策樹多叉樹

決策樹是數學、計算機科學與管理學中經常使用的工具.
決策論中 (如風險管理),決策樹(Decision tree)由一個決策圖和可能的結果(包括資源成本和風險)組成,用來創建到達目標的規劃.決策樹建立並用來輔助決策,是一種特殊的樹結構.決策樹是一個利用像樹一樣的圖形或決策模型的決策支持工具,包括隨機事件結果,資源代價和實用性.它是一個演算法顯示的方法.決策樹經常在運籌學中使用,特別是在決策分析中,它幫助確定一個能最可能達到目標的策略.如果在實際中,決策不得不在沒有完備知識的情況下被在線採用,一個決策樹應該平行概率模型作為最佳的選擇模型或在線選擇模型演算法.決策樹的另一個使用是作為計算條件概率的描述性手段.
決策樹提供了一種展示類似在什麼條件下會得到什麼值這類規則的方法.比如,在貸款申請中,要對申請的風險大小做出判斷,圖是為了解決這個問題而建立的一棵決策樹,從中我們可以看到決策樹的基本組成部分：決策節點、分支和葉子.
決策樹中最上面的節點稱為根節點,是整個決策樹的開始.本例中根節點是「收入>￥40,000」,對此問題的不同回答產生了「是」和「否」兩個分支.
決策樹的每個節點子節點的個數與決策樹在用的演算法有關.如CART演算法得到的決策樹每個節點有兩個分支,這種樹稱為二叉樹.允許節點含有多於兩個子節點的樹稱為多叉樹.決策樹的內部節點（非樹葉節點）表示在一個屬性上的測試.
每個分支要麼是一個新的決策節點,要麼是樹的結尾,稱為葉子.在沿著決策樹從上到下遍歷的過程中,在每個節點都會遇到一個問題,對每個節點上問題的不同回答導致不同的分支,最後會到達一個葉子節點.這個過程就是利用決策樹進行分類的過程,利用幾個變數（每個變數對應一個問題）來判斷所屬的類別（最後每個葉子會對應一個類別）.
例如,
假如負責借貸的銀行官員利用上面這棵決策樹來決定支持哪些貸款和拒絕哪些貸款,那麼他就可以用貸款申請表來運行這棵決策樹,用決策樹來判斷風險的大小.「年收入>￥40,00」和「高負債」的用戶被認為是「高風險」,同時「收入5年」的申請,則被認為「低風險」而建議貸款給他/她.
數據挖掘中決策樹是一種經常要用到的技術,可以用於分析數據,同樣也可以用來作預測（就像上面的銀行官員用他來預測貸款風險）.常用的演算法有CHAID、 CART、ID3、C4.5、 Quest 和C5.0.
建立決策樹的過程,即樹的生長過程是不斷的把數據進行切分的過程,每次切分對應一個問題,也對應著一個節點.對每個切分都要求分成的組之間的「差異」最大.
對決策樹演算法的研究開發主要以國外為主,現有的涉及決策樹演算法的軟體有SEE5、Weka、spss等,在國內也有不少人開展了對決策樹演算法的構建及應用研究,如中國測繪科學研究院在原有C5.0演算法的基礎上進行了演算法重構,將其用於地表覆蓋遙感影像分類中.

⑹ 用Matlab實現apriori演算法關聯規則的挖掘程序，完整有詳細註解

下面這段是apriori演算法中由2頻繁項集找k頻繁項集的程序，程序中有兩個問題：
1、似乎while循環的K永遠都是固定的，也就是都是頻繁2項集的個數。得到頻繁3項集後K的個數不是要變嗎？如何體現呢？
2、程序中有兩個for的大循環，但是發現結果是只要找到一個頻繁3項集第二個for循環就會結束，但是其實還應該有其它的頻繁3項集。for循環不是應該無條件執行到參數k結束嗎？當時k值是15，可是程序結束的時候i=2，j=3,然後j就不執行4以及一直到k的部分了。是什麼原因呢？麻煩高手指點一下。急啊……
while( k>0)
le=length(candidate{1});
num=2;
nl=0;
for i=1:k-1
for j=i+1:k
x1=candidate{i}; %candidate初始值為頻繁2項集，這個表示頻繁項集的第i項
x2=candidate{j};
c = intersect(x1, x2);
M=0;
r=1;
nn=0;
l1=0;
if (length(c)==le-1) & (sum(c==x1(1:le-1))==le-1)
houxuan=union(x1(1:le),x2(le));
%樹剪枝,若一個候選項的某個K-1項子集為非頻繁，則剪枝掉
sub_set=subset(houxuan);
%生成該候選項的所有K-1項子集
NN=length(sub_set);
%判斷這些K-1項自己是否都為頻繁的
while(r & M<NN)
M=M+1;
r=in(sub_set{M},candidate);
end
if M==NN
nl=nl+1;
%候選k項集
cand{nl}=houxuan;
%記錄每個候選k項集出現的次數
le=length(cand{1});
for i=1:m
s=cand{nl};
x=X(i,:);
if sum(x(s))==le
nn=nn+1;
end
end
end
end
%從候選集中找頻繁項集
if nn>=th
ll=ll+1;
candmid{nl}=cand{nl};
pfxj(nl).element=cand{nl};
pfxj(nl).time=nn;
disp('得到的頻繁項集為:')
result=(candmid{nl});
disp(result);
end

end
end
end

⑺ 貝葉斯分類中假定2類的類條件分布概率是正態分布怎麼求先驗概率

用matlab求態布概率函數normpdf使用格式
Y
=
normpdf(X,mu,sigma)
mu——均值μ
sigma——標准偏差σ
例：
>>
Y
=
normpdf(1.5,0.5,1)
Y
=
0.24197

⑻ matlab只有自帶的bp嗎

您好，Matlab不僅僅只有自帶的BP演算法，它還提供了一系列機器學習演算法，包括支持向量機（SVM），K近鄰（KNN），決策樹（DT），隨機森林（RF），AdaBoost，梯度提升（GBM），神經網路（NN），以及其他一些機器大談裂學習演算法。此外，Matlab還提供了一些深度學習演算法，如卷積神經網路（CNN），循環神經網路（RNN），長短期記憶（LSTM），受侍游限玻爾茲曼機（RBM），自動編碼器（AE）等。因此，Matlab不僅僅只有BP演算法，它還提供了一系列機器學習和深度學習演算法，可以滿足您的不滾閉同需求。

⑼ 如何利用matlab建立決策樹模型，對原始數據（excel表格）有什麼要求最好有代碼，C4.5演算法的~

C4.5的好像沒看到人實現過，不過ID3是很好用的，用treefit函數，excel函數只要主體部分，屬性矩陣和分類向量要分開存放，不要第一行和第一列的注釋內容（如果沒有就不用刪），用xlsread函數獲取Excel數據得到輸入矩陣。目標向量可以另外在建立一個excel一樣的使用。可以繼續交流