如何在matlab中提高决策树的精度

我有一组数据，我在matlab中使用决策树对它们进行分类。我把这一套分成两部分；一个训练数据（85%）和另一个测试数据（15%）。问题是准确率在90%左右，我不知道如何提高它。如果您对此有任何想法，我将不胜感激。

我认为您不应该对此进行改进，可能是分类器过度拟合了数据。尝试使用其他数据集，或交叉验证以查看更准确的结果

---

顺便说一句，如果不是过度拟合，90%是一个很好的结果，也许你甚至不需要改进它。

你可以查看树叶来改进决策树的泛化。但是正如前面提到的，90%的准确率可以被认为是相当好的。

我想这里更重要的问题是，对于给定的领域，什么是好的准确率：如果你对垃圾邮件进行分类，那么90%可能有点低，但是如果你预测股价，那么90%确实很高

如果您在一个已知的域集上执行此操作，并且之前有一些分类精度高于您的示例，那么您可以尝试以下几种方法：

---

90%是好是坏，取决于数据的领域

然而，数据中的类可能是重叠的，您不能真正完成超过90%的工作

您可以尝试查看哪些节点是错误，并检查是否有可能通过更改它们来改进分类

---

你也可以尝试随机森林。

< P>决策树可能因为许多原因而执行低，一个突出的原因，我可以想到的是，在计算一个分裂时，他们不考虑变量或目标变量对其他变量的相互依赖性。 在开始改进性能之前，应注意不会导致过度装配，并应能够概括

要提高性能，可以做以下几件事：

• 变量预选：可以对变量进行不同的测试，如多重共线性测试、VIF计算、IV计算，以仅选择几个顶部变量。这将导致性能的提高，因为它将严格消除不需要的变量

• 集成学习使用多棵树（随机森林）预测结果。一般来说，随机森林比单个决策树表现更好，因为它们能够减少偏差和方差。它们也不太容易过度装配

• K-Fold交叉验证：训练数据本身的交叉验证可以稍微提高模型的性能

• 混合模型：使用混合模型，即在使用决策树后使用逻辑回归来提高性能

---

数据集的维度是什么？您是否有理由必须使用决策树，或者您是否可以探索其他算法？