和回归树（在每个叶节点上使用各自的均值做预测）不同，模型树算法需要在每个叶节点上都构建出一个线性模型，这就是把叶节点设定为分段线性函数，这个所谓的分段线性（piecewise linear）是指模型由多个线性片段组成。
#####################模型树#####################
def linearSolve(dataSet): #模型树的叶节点生成函数m,n = shape(dataSet)X = mat(ones((m,n))); Y = mat(ones((m,1))) #建立两个全部元素为1的(m,n)矩阵和(m,1)矩阵X[:,1:n] = dataSet[:,0:n-1]; Y = dataSet[:,-1] #X存放所有的特征，Y存放 xTx = X.T*Xif linalg.det(xTx) == 0.0:raise NameError('This matrix is singular, cannot do inverse,\n\try increasing the second value of ops')ws = xTx.I * (X.T * Y) #求线性回归的回归系数return ws,X,Ydef modelLeaf(dataSet): #建立模型树叶节点函数ws,X,Y = linearSolve(dataSet)return wsdef modelErr(dataSet): #模型树平方误差计算函数ws,X,Y = linearSolve(dataSet)yHat = X * wsreturn sum(power(Y - yHat,2))
main.py
# coding:utf-8
# !/usr/bin/env pythonimport regTrees
import matplotlib.pyplot as plt
from numpy import *if __name__ == '__main__':myDat = regTrees.loadDataSet('exp2.txt')myMat = mat(myDat)myTree = regTrees.createTree(myMat,regTrees.modelLeaf,regTrees.modelErr,(1,10))print myTreeregTrees.plotBestFit('exp2.txt')
得到两段函数，以0.28为分界
分别为y=3.46877+1.1852x和y=0.001698+11.96477x
而生成该数据的真实模型是y=3.5+1.0x和y=0+12x再加上高斯噪声生成
