利用matlab实现决策树（DT）回归，保姆级教程

🌳 一、决策树回归是什么？

决策树回归（Regression Tree）和分类树的区别在于：

• 目标不同：分类树预测离散类别（如猫/狗），回归树预测连续值（如房价、温度）
• 分裂标准：回归树常使用**均方误差（MSE）**作为分裂依据，追求组内数据差异最小化

优点速览：
✅ 可视化强，解释性高
✅ 无需特征标准化
✅ 自动处理缺失值（MATLAB内置功能）

🔧 二、MATLAB实战四步走

1. 数据准备：生成示例数据

我们以“房屋面积预测房价”为例：

% 生成100组样本数据，面积50-200平米，加入随机噪声
rng(1); % 固定随机种子便于复现
area = randi([50 200], 100, 1);
price = 50*area + 2000 + 3000*randn(100,1); 

% 拆分训练集(70%)和测试集(30%)
cv = cvpartition(length(area), 'HoldOut', 0.3);
X_train = area(training(cv), :);
y_train = price(training(cv), :);
X_test = area(test(cv), :);
y_test = price(test(cv), :);

2. 训练模型：fitrtree函数

model = fitrtree(X_train, y_train, 'MinLeafSize', 5);

• 关键参数解释：
  • MinLeafSize：叶节点最小样本数，控制模型复杂度（值越小树越深）

3. 可视化树结构：一目了然！

view(model, 'Mode', 'graph'); % 生成图形化决策树

运行后会弹出树形图，清晰看到每个节点的分裂条件和预测值！

4. 预测与评估：三大指标

y_pred = predict(model, X_test);

% 计算评估指标
mse = mean((y_pred - y_test).^2);
rmse = sqrt(mse);
R2 = 1 - sum((y_test - y_pred).^2)/sum((y_test - mean(y_test)).^2);

disp(['MSE: ', num2str(mse)]);
disp(['RMSE: ', num2str(rmse)]);
disp(['R²: ', num2str(R2)]);

 特征重要性分析

当有多个特征时，快速找出关键变量：

imp = predictorImportance(model);
bar(imp);
xlabel('特征');
ylabel('重要性得分');

💻 代码已打包：获取完整版代码和实战数据集 → 点击【利用matlab实现决策树回归】

👍 如果觉得有用，记得三连哦！ 我们下期再见～