GWO-决策树分类预测（matlab代码）

数据为Excel分类数据集数据。

数据集划分为训练集、验证集、测试集,比例为8：1：1

数据处理完整： 包括数据加载、划分、标准化等步骤，完整地对数据进行了预处理，提高了模型的训练效果和可靠性。

模型优化： 使用了 GWO（Grey Wolf Optimizer）算法进行模型参数优化，有助于提高模型的性能和泛化能力。

模型评估： 代码中通过十折交叉验证等方法评估了模型的性能，计算了训练集、验证集和测试集的准确率，并输出了十折验证准确率和运行时长。此外，还通过绘制分类情况图和混淆矩阵对模型的分类效果进行了可视化展示，帮助更直观地了解模型的性能和分类结果。

结果可视化： 通过绘制分类情况图和混淆矩阵，直观展示了模型的分类效果，有助于对模型性能进行直观分析和比较。

输出定量结果如下：

十折验证准确率：0.90244

训练集ACU：0.96748

验证集ACU：0.9375

测试集ACU：1

运行时长: 0.261

代码有中文介绍。

代码运行结果如下：

部分代码如下:% 清除命令窗口、工作区数据、图形窗口、警告
clc;
clear;
close all;
warning off;
load('data.mat')	
	
data1=readtable('分类数据集.xlsx'); %读取数据 	
data=table2array(data1(:,2:end));	
 A_data1=data;	
	
data_select=A_data1;	
	
%% 数据划分	
  x_feature_label=data_select(:,1:end-1);    %x特征	
  y_feature_label=data_select(:,end);          %y标签	
 index_label1=randperm(size(x_feature_label,1));	
 index_label=G_out_data.spilt_label_data;  % 数据索引	
 if isempty(index_label)	
     index_label=index_label1;	
 end	
spilt_ri=G_out_data.spilt_rio;  %划分比例 训练集:验证集:测试集	
train_num=round(spilt_ri(1)/(sum(spilt_ri))*size(x_feature_label,1));          %训练集个数	
vaild_num=round((spilt_ri(1)+spilt_ri(2))/(sum(spilt_ri))*size(x_feature_label,1)); %验证集个数	
 %训练集，验证集，测试集	
 train_x_feature_label=x_feature_label(index_label(1:train_num),:);	
 train_y_feature_label=y_feature_label(index_label(1:train_num),:);	
 vaild_x_feature_label=x_feature_label(index_label(train_num+1:vaild_num),:);	
vaild_y_feature_label=y_feature_label(index_label(train_num+1:vaild_num),:);	
 test_x_feature_label=x_feature_label(index_label(vaild_num+1:end),:);	
 test_y_feature_label=y_feature_label(index_label(vaild_num+1:end),:);