全文链接：http://tecdat.cn/?p=31784

原文出处：拓端数据部落公众号

最近我们被客户要求撰写关于决策树的研究报告，包括一些图形和统计输出。

为解决城市交通拥堵问题，本文提出了一种基于 Matlab决策树的交通预测方法，我们通过采集上海地区的空气质量数据和温度数据，帮助客户在 Matlab中实现决策树建模，利用所提取的天气和温度特征建立决策树，对未来的出行时间、出行路线等进行预测。结果表明：该方法可实现交通时间、出行路线的预测，并能在未来三天进行有效预测时间长度与空气质量、温度相关。

数据

里面一个是天气数据（区县自动站实况数据），只把地区为徐家汇的取出来，其余地点的不用参考。

另一个是空气数据（实时空气质量数据）。

预期结果

根据空气中的空气质量和天气数据中的温度及天气情况做一个交通出行的推荐。

举个例子： 今天温度0度 天气晴朗 空气质量优 出行方式可以为 公交车或地铁。

今天温度15度 天气晴朗 空气质量优 出行方式为 步行。

今天温度15度 天气晴朗 控制质量轻度污染 出现方式为 公交车或地铁。

读取气温数据

[data, ~, raw] = xlsread('区县自动站实况数据.xlsx','Sheet2');

筛选对应日期数据

data=data(1:9649,:);raw=raw(1:9649,:);

找出徐家汇地区的数据

index=strcmp(raw(:,3),'徐家汇')

读取空气质量数据

[data2, ~, raw2, dateNums] = xlsread('实时空气质量数据（历史）2.xlsx','Sheet1','','

筛选对应日期数据

data2=data2(4415:end,:);raw2=raw2(4415:end,:);

得到对应时间

index=1:3:2880

得到对应时间的 空气质量数据

mydata=[raw,raw2];

建立决策规则

分类类别号

label=mydata(:,18);%label=label(2:end);

将类别号赋值给outData

outData=label;

获得特征变量矩阵

inData = [data,data2]; % 输入特征矩阵

根据训练集数据创建决策树

classregtree(inData, o)

查看决策树

view(mytree);

决策树规则

Decision tree for classification  1  if x5<11.5 then node 2 elseif x5>=11.5 then node 3 else 步行  2  if x5<3.5 then node 4 elseif x5>=3.5 then node 5 else 步行  3  if x13<0.45 then node 6 elseif x13>=0.45 then node 7 else 步行  4  if x1<2.01504e+011 then node 8 elseif x1>=2.01504e+011 then node 9 else 公交车或地铁  5  if x12<91.5 then node 10 elseif x12>=91.5 then node 11 else 步行  6  if x11<11.5 then node 12 elseif x11>=11.5 then node 13 else 步行  7  if x9<27.5 then node 14 elseif x9>=27.5 then node 15 else 公交车或地铁  8  if x6<1.6 then node 16 elseif x6>=1.6 then node 17 else 公交车或地铁  9  class = 步行 10  if x8<86.5 then node 18 elseif x8>=86.5 then node 19 else 步行 11  class = 公交车或地铁 12  if x7<1.5 then node 20 elseif x7>=1.5 then node 21 else 步行 13  if x9<94 then node 22 elseif x9>=94 then node 23 else 公交车或地铁 14  if x9<8.5 then node 24 elseif x9>=8.5 then node 25 else 步行 15  if x6<2.75 then node 26 elseif x6>=2.75 then node 27 else 公交车或地铁 16  class = 公交车或地铁 17  class = 步行 18  class = 步行 19  if x1<2.01502e+011 then node 28 elseif x1>=2.01502e+011 then node 29 else 步行 20  class = 步行 21  if x1<2.01504e+011 then node 30 elseif x1>=2.01504e+011 then node 31 else 步行 22  if x4<6.95 then node 32 elseif x4>=6.95 then node 33 else 公交车或地铁 23  class = 步行 24  if x6<0.35 then node 34 elseif x6>=0.35 then node 35 else 公交车或地铁 25  if x8<49.5 then node 36 elseif x8>=49.5 then node 37 else 步行 26  if x6<2.25 then node 38 elseif x6>=2.25 then node 39 else 公交车或地铁 27  if x11<26.5 then node 40 elseif x11>=26.5 then node 41 else 步行 28  class = 步行 29  class = 公交车或地铁 30  class = 步行 31  class = 公交车或地铁 32  if x5<142.5 then node 42 elseif x5>=142.5 then node 43 else 步行 33  class = 公交车或地铁 34  class = 步行 35  if x5<311 then node 44 elseif x5>=311 then node 45 else 公交车或地铁 36  if x9<22 then node 46 elseif x9>=22 then node 47 else 公交车或地铁 37  if x12<135 then node 48 elseif x12>=135 then node 49 else 步行 38  if x5<102.5 then node 50 elseif x5>=102.5 then node 51 else 公交车或地铁 39  if x8<18.5 then node 52 elseif x8>=18.5 then node 53 else 公交车或地铁 40  if x12<40.5 then node 54 elseif x12>=40.5 then node 55 else 步行 41  if x6<3 then node 56 elseif x6>=3 then node 57 else 公交车或地铁 42  class = 步行 43  if x1<2.01503e+011 then node 58 elseif x1>=2.01503e+011 then node 59 else 公交车或地铁 44  class = 公交车或地铁 45  class = 步行 46  if x4<21.75 then node 60 elseif x4>=21.75 then node 61 else 公交车或地铁 47  if x14<40.5 then node 62 elseif x14>=40.5 then node 63 else 步行 48  if x12<78.5 then node 64 elseif x12>=78.5 then node 65 else 步行 49  if x5<212 then node 66 elseif x5>=212 then node 67 else 公交车或地铁 50  if x14<35.5 then node 68 elseif x14>=35.5 then node 69 else 公交车或地铁 51  if x6<1.85 then node 70 elseif x6>=1.85 then node 71 else 步行 52  class = 公交车或地铁

查看所有预测的分类标签

y_esttype classregtree

判断准确率

Remp

气温

hist(inData(:,4))

风向

hist(inData(:,5))

风速

hist(inData(:,6))

O3

hist(inData(:,10))

SO2

hist(inData(:,11))

 NO2

hist(inData(:,12))

最受欢迎的见解

1.PYTHON用户流失数据挖掘：建立逻辑回归、XGBOOST、随机森林、决策树、支持向量机、朴素贝叶斯模型和KMEANS聚类用户画像

2.R语言基于树的方法：决策树，随机森林

3.python中使用scikit-learn和pandas决策树

4.机器学习：在SAS中运行随机森林数据分析报告

5.R语言用随机森林和文本挖掘提高航空公司客户满意度

6.机器学习助推快时尚精准销售时间序列

7.用机器学习识别不断变化的股市状况——隐马尔可夫模型的应用

8.python机器学习：推荐系统实现（以矩阵分解来协同过滤）

9.python中用pytorch机器学习分类预测银行客户流失