我不知道这是如何在matlab中实现的。我知道有些包使用交叉验证来决定是否种植树。很简单，他们根据评估决定是否发展。

（请注意，很多包称为修剪是：在训练期间，它们用一些分数标准标记分支，然后如果用户需要，然后删除。）

就个人而言，我使用没有此功能的 sklearn。所以，我只是对 的几个值进行网格搜索，max_depth并使用任何可以最大限度地提高准确性或我想要的分数。

开发训练集、验证集和测试集。训练集包含 40% 的观察值，验证和测试集包含 30% 的每个观察值（假设您首先有一个相当大的数据集）。开发 5 个决策树，每个决策树都有您想要测试的不同参数。在训练集上运行这些决策树，然后在验证集上运行，看看哪个决策树在验证集上具有最低的 ASE（平均平方误差）。如果您愿意，您可以使用不同的验证标准，但我更喜欢 ASE。如果您觉得在验证集上使用 ASE 时表现最好的树仍然可以表现得更好，那么返回并调整该树的参数并在训练和验证集上重新运行。一旦你满意了，就使用你的最终树并预测你的测试集。