使用4D毫米波雷达的一些特征，可以对其做准确的分类。这里使用点数、距离、方位角、长、宽作为特征，长宽通过估计目标朝向后将点云投影到朝向方向上计算得到。
训练使用python的sklearn，直接导入即可
from sklearn.tree import DecisionTreeClassifier这里使用了三个类别（小车、大车、自行车）8万多组数据，80%用做训练集，20%用做测试集。
from sklearn.model_selection import train_test_split
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size = 0.2)然后调用函数进行训练
decision_tree = DecisionTreeClassifier()
decision_tree.fit(X_train, y_train)训练完成后在测试集上验证
y_train_pred = decision_tree.predict(X_train)
y_test_pred = decision_tree.predict(X_test)验证准确率
from sklearn.metrics import accuracy_score
print('decision tree train accurary socre:', accuracy_score(y_train, y_train_pred), 'test accurary socre:', accuracy_score(y_test, y_test_pred))
train_error_score = 1 - accuracy_score(y_train, y_train_pred)
test_error_score = 1 - accuracy_score(y_test, y_test_pred)
print('decision tree train error socre:', train_error_score, 'test error socre:', test_error_score)
如果使用默认参数，则训练集准确率为100%，测试集准确率为95%
获取决策树深度，发现有33层，叶子数有2179个，实在过于庞大
tree_depth = decision_tree.get_depth()
tree_leaves = decision_tree.get_n_leaves()
print('depth',tree_depth,',leaves:',tree_leaves)调用决策树可视化工具，可以看到结果，由于叶子树太多，全屏显示只能看到一个个小点
放大到100%才能看清细节
这么多的层数和叶子树存在过拟合风险，而且实现的代码也非常复杂，因此考虑降低层数
decision_tree = DecisionTreeClassifier(max_depth=9) 在生成决策树模型的时候设置最大深度为9，则最后生成的决策树体量大幅减小，实测结果层数为9，叶子树为230。
训练集准确度有所降低，但测试集反而提升，表明降低了过拟合，提升了泛化性能。
模型生成之后，代码编写费事费力，这里参考这位博主的方法，用代码自动生成。不过python脚本有点小问题，需要自行发现修改才能得到最后的结果。
使用Python训练好的决策树模型生成C++代码_python sklearn的决策树模型如何在c++使用_大风起兮d的博客-CSDN博客
使用m2cgen库也可以实现模型到c代码的转换， 详细信息可以查看m2cgen · PyPI
import m2cgen as m2c
code = m2c.export_to_c(decision_tree)
file = open('radar_tree_m2cgen_code.txt','w')
file.write(code)
file.close()
如果对效果不满意，可以使用不同的特征组合进行对比实验，以获得期望的结果。