自动化决策树建模与分析工具

资 源 简 介

本项目旨在构建一个高度封装且易于使用的决策树分析工具，核心目标是简化从原始数据到决策模型的转化过程。该系统允许用户直接输入结构化数据（如Excel、Text、CSV或MATLAB工作区变量）以及对应的特征变量名称和目标变量标签。在内部处理机制上，程序集成了数据预处理模块，能够自动识别并处理缺失值，转换分类变量。核心算法基于MATLAB统计与机器学习工具箱中的fitctree（用于分类）和fitrtree（用于回归）函数，采用经典的CART算法构建二叉树。系统具备自动剪枝优化功能，通过计算交叉验证误差来确定最佳树深度，有效防止过拟合。在可视化方面，项目能够生成高分辨率的决策树视图，清晰展示每个节点的判断条件、样本数量和分类纯度，并支持输出特征重要性（Feature Importance）条形图，帮助用户直观理解哪些变量对决策结果影响最大。此外，工具还能自动生成混淆矩阵、ROC曲线及准确率报告，适用于金融风控、医疗诊断、客户分类等多种数据挖掘场景。

详 情 说 明

基于MATLAB的自动化决策树建模与分析系统

项目简介

本项目是一个基于MATLAB开发的高度封装的决策树分析工具。其核心目标是简化从原始数据处理到决策模型构建与优化的全过程。系统内置了自动化的数据模拟与预处理机制，采用经典的CART算法（分类回归树）构建模型，并通过交叉验证进行自动剪枝优化以防止过拟合。该工具特别强调结果的可视化与可解释性，能够生成包含树结构图、混淆矩阵、特征重要性排序及ROC曲线在内的全方位评估报告，适用于金融风控、客户分类等数据挖掘场景。

主要功能特性

• 全流程自动化：覆盖数据生成、清洗、建模、优化、评估及可视化的完整机器学习工作流。
• 智能数据预处理：自动识别数据类型，对数值型缺失数据进行均值填充，将文本/字符型变量自动转换为分类（Categorical）格式。
• CART算法建模：基于MATLAB统计与机器学习工具箱，使用Gini指数作为分裂准则构建二叉分类树。
• 自动剪枝优化：集成K折交叉验证（K-Fold Cross-Validation），自动计算不同树深度的误差，选取最佳剪枝级别，有效平衡模型复杂度与泛化能力。
• 多维可视化仪表盘：单窗口集成决策树拓扑图、混淆矩阵和特征重要性条形图。
• 性能评估体系：自动计算准确率（Accuracy）、AUC值，并绘制独立的ROC曲线。

代码实现逻辑与核心算法细节

本项目完全通过 main 主程序及其内部子函数实现，具体逻辑如下：

1. 数据获取与模拟

系统首先通过内部算法生成模拟数据集（默认为1000个样本），模拟真实世界的数据分布：

• 特征变量：包含数值型变量（年龄、收入、信用评分）和分类型变量（教育程度）。
• 非线性逻辑：目标变量（是否违约）通过复杂的非线性逻辑与特征关联（包含年龄、收入比例、信用评分扣分及教育程度的加权），并引入随机噪声。
• 脏数据模拟：人为在“收入”字段中引入5%的随机缺失值（NaN），用于测试预处理模块的健壮性。

2. 数据预处理机制

在进入建模前，程序自动执行数据清洗：

• 数值型处理：遍历所有列，检测到数值型变量中存在NaN时，利用该列的非空均值（Mean imputation）进行填充。
• 类型转换：检测字符串、元胞数组或字符数组，将其强制转换为MATLAB的 categorical 类型，确保fitctree函数能正确处理离散特征。

3. 初始模型构建 (CART)

系统使用 fitctree 函数构建初始分类树：

• 算法配置：采用精确算法（Exact）处理分类变量，使用Gini多样性指数（gdi）作为节点分裂准则。
• 生长策略：设定最小叶节点样本数（MinLeafSize）为5，且初始不进行剪枝（Prune='off'），目的是先构建一棵较深、较复杂的树，为后续的剪枝优化提供基础。

4. 自动剪枝优化

为了提升模型的泛化能力，系统实现了自动剪枝逻辑：

• 交叉验证：对初始树模型执行10折交叉验证。
• 误差分析：计算所有可能的子树序列的交叉验证误差（Cross-validation Error）。
• 最优决策：自动定位使交叉验证误差最小的树深度（Best Pruning Level）。
• 剪枝执行：基于计算出的最佳级别，对原始树进行剪枝操作，生成最终优化模型。还将绘制“剪枝级别 vs 交叉验证误差”的趋势图，直观展示优化过程。

5. 模型评估与可视化

系统通过图形界面和命令行输出展示最终结果：

• 仪表盘视图：

* 树结构图谱：以图形化方式展示节点分裂条件、样本流向。 * 混淆矩阵：对比预测标签与真实标签，直观展示分类准确性及误判情况。 * 特征重要性：计算并排序各特征对模型的贡献度（Predictor Importance），以条形图展示，帮助理解关键驱动因素（如收入或信用评分的影响力）。

• 性能指标：

* 计算测试集上的整体准确率。 * 针对二分类问题，计算并打印AUC值（Area Under Curve）。 * 单独绘制ROC曲线，展示真阳性率与假阳性率的权衡关系。

• 规则提取：在命令行以文本形式输出决策树的判断规则逻辑。

系统要求

• MATLAB版本：建议 R2014b 或更高版本（需支持 categorical 数组及新版图形对象）。
• 工具箱支持：必须安装 Statistics and Machine Learning Toolbox（统计与机器学习工具箱）。

使用说明

1. 直接运行 main.m 脚本。
2. 程序将自动开始初始化环境、生成数据并执行全流程分析。
3. 输出结果：

* 命令行窗口：显示数据预处理进度、数据集划分详情、最佳剪枝级别、最终准确率、AUC值以及文本化的决策规则。 * 图形窗口 1：展示剪枝优化过程中的误差变化曲线。 * 图形窗口 2：综合仪表盘，包含决策树结构、混淆矩阵和特征重要性分析。 * 图形窗口 3：独立的ROC曲线图（仅在二分类情况下生成）。