文档介绍：决策树的matlab实现(运用在手写数字的0,1识别)[1]单个决策树的实现。一、载入实验数据%载入实验的原始数据images=loadMNISTImages('train--ubyte');labels=loadMNISTLabels('train--ubyte');images_0=images(:,labels==0);images_1=images(:,labels==1);Images_te=loadMNISTImages('t10k--ubyte');Labels_te=loadMNISTLabels('t10k--ubyte');Images_te_0=Images_te(:,Labels_te==0);Images_te_1=Images_te(:,Labels_te==1);%对原始数据进行处理X=[images_0images_1]';%将0和1的训练样本拼接成新的矩阵。注意此时时是每一行代表一个样本。Y=[zeros(5923,1)ones(6724,1)];%生成训练样本相应的类别标签,是一个列向量。每一个元素代表相应样本所属于的类别。Images_te_0=Images_te_0';%测试样本的数字0,每一行代表一个样本。Images_te_1=Images_te_1';%测试样本的数字1,、构建决策树t=treefit(X,Y);%X是训练样本,一定注意是每一行代表一个样本数据。Y是训练样本%所对应的类别标签,仍旧是一个列向量。t就是根据训练样本构建的一个决策树。三、用决策树对测试样本进行分类result0=treeval(t,Images_te_0');%对测试样本手写数字0进行识别。result0为一个列向量,每一元素表示对应样本被识别为的类。%treeval函数的格式为treeval(t,X),其中,t为构建的决策树,X为测试样本。一定要注意X的每一行表示的是一个样本。result1=treeval(t,Images_te_1');%对测试样本数字1进行分类。四、错误率分析error0=find(result~=0);error1=find(result~=1);%找出被识别错误的数字0和1的索引。rate0=size(error0,1)/980;rate1=size(error1,1)/980;%分别计算错误率。实验结果为rate1==%五、显示决策树treedis