各种决策树（tree）分类的代码

各种决策树分类的代码,包括ID3、c4.5等等，有界面可以运行

classdef classregtree
%CLASSREGTREE Create a classification and regression tree object.
%   T = CLASSREGTREE（XY） creates a decision tree T for predicting response
%   Y as a function of predictors X.  X is an N-by-M matrix of predictor
%   values. If Y is a vector of N response values then CLASSREGTREE
%   performs regression.  If Y is a categorical variable character array
%   or cell array of strings CLASSREGTREE performs classification.  Either
%   way T is a binary tree where each non-terminal node is split based on
%   the values of a column of X.  NaN values in X are taken to be missing
%   values. NaN values empty strings or undefined categorical levels in Y
%   are taken to be missing. Observations with all missing values for X or
%   missing values for Y are not used in the fit. Observations with some
%   missing values for X are used to find splits on variables for which
%   these observations have valid values.
%
%   T = CLASSREGTREE（XY‘PARAM1‘val1‘PARAM2‘val2...） specifies optional
%   parameter name/value pairs:
%
%   For all trees:
%      ‘categorical‘ Vector of indices of the columns of X that are to be
%                   treated as unordered categorical variables.
%      ‘method‘     Either ‘regression‘ （default if Y is numeric） or
%                   ‘classification‘ （default if Y is not numeric）.
%      ‘names‘      A cell array of names for the predictor variables
%                   in the order in which they appear in the X matrix
%                   from which the tree was created.
%      ‘prune‘      ‘on‘ （default） to compute the full tree and the optimal
%                   sequence of pruned subtrees or ‘off‘ for the full tree
%                   without pruning.
%      ‘minparent‘  A number K such that impure nodes must have K or more
%                   observations to be split （default 10）.
%      ‘minleaf‘    A minimal number of observations per tree leaf
%                   （default=1）. If both ‘minparent‘ and ‘minleaf‘ are
%                   supplied the setting which results in larger leaves is
%                   used: MINPARENT = MAX（MINPARENT2*MINLEAF）.
%      ‘nvartosample‘ Number of predictor variables randomly selected
%                     for each split. By default all variables are
%                     considered for each decision split.
%      ‘mergeleaves‘ ‘on‘ （default） to merge leaves that originate from the
%                    same parent node and give the sum of risk values
%                    greater or equal to the risk associated with the
%                    parent node. If ‘off‘ leaves are not merged.
%      ‘weights‘     Vector of observation weights. By default the weight
%                    of every observation is set to 1. The length of this
%                    vector must be equal to the number of rows in X.
%      ‘surrogate‘   ‘on‘ to find surrogate splits at each branch node.
%                    Default is ‘off‘. If you set this parameter to ‘on‘
%             

 属性            大小     日期    时间   名称
----------- ---------  ---------- -----  ----
     文件       47772  2014-09-28 16:44  决策树代码\classregtree.m
     文件        3601  2014-09-28 16:59  决策树代码\ID3.m