MFC编程实例目录树Table控件经典代码，仿照windows目录树写的代码，对于学习tree control相当有帮助，仅供学习交流！

本例子简单，易懂，操作方便。值得推荐。学MFC的好例子。

用于根据编辑距离（Levenshtein距离）概念执行拼写检查。 BK树也用于近似字符串匹配。基于该数据结构，可以实现许多软件中的各种自动校正特征。 BKTree算法上分两步： 1 构造 在词典里面随便找一个词作为root节点，然后与其他词计算编辑距离n。若已有相同编辑距离n的子节点，就挂在子节点下；若没有，就新建边为n的子节点。如此递归下去。 2 查询 这里重点来了，编辑距离符合三角不等式：任意两条边的和大于第三条边。所以只用从根节点开始，找(d-n) < x < (d+n)的边。这样可以大量减少编辑距离的计算次数，即减少O(D*m*n)中的D。 3 举例 一构造那张图为例，假如我们输入

FastFuzzyStringMatcher FastFuzzyStringMatcher是用于快速内存中字符串匹配的BK树实现。 （也可用于 ）。 特征 快速，模糊，字符串匹配。 根据百分比进行搜索并编辑距离。 将数据与字符串关键字相关联，并同时返回两者。 例如，搜索文件名，然后返回关联的文件路径。 动机 尽管哈希映射可用于精确的字符串匹配，而尝试可用于前缀匹配，但目前很少有基于编辑距离或百分比差异的快速匹配解决方案。 当然，您可以搜索集合中的每个字符串，将其编辑距离与要搜索的关键字进行比较，但这往往效率很低。 FastFuzzyStringMatcher构建以使搜索效率更高。 设置 该项目最初是使用Eclipse和Java 8构建的，并且假设您已安装了最新的JDK，则应该干净地构建。 主类可以在src/main/java com.gitub.pekoto.fastfuzzys

圣诞超级好看的

kdtree 提供了 kd-tree 的简约实现。 该实现既可以通过 MEX 调用在 MATLAB 内部使用，也可以作为独立工具直接从 C/C++ 程序使用。 网站上的图片带有“ fulltest.m”字样此实现提供以下功能： - kdtree_build: kd 树构造 O( n log^2(n) ) - kdtree_delete：释放由 kdtree 分配的内存- kdtree_nearest_neighbor：最近邻查询（针对一个或多个点） - kdtree_k_nearest_neighbors：单个查询点的 kNN - kdtree_range_query：矩形范围查询- kdtree_ball_query：查询与点的距离增量的样本重要说明：由于 Matlab 提供了一个 kdtree，我对维护此代码失去了兴趣。

决策树 具有验证，修剪和属性多分裂贡献者的C4.5决策树python实现：Ryan Madden和Ally Cody 要求 python 2.7.6 档案文件 btrain.csv，bvalidate.csv，btest.csv-用于构建和测试程序的培训，验证和测试集 Decision-tree.py-决策树程序 datatypes.csv-一个元数据文件，用于指示（使用逗号分隔的true / false条目）哪些属性是数字（true）和名义上的（false）注意：如果使用与提供的数据集不同的数据集，则必须编辑此文件或提供自己的属性 怎么跑 Decision-tree.py接受通过命令行传递的参数。 可能的参数是： 培训的文件名（必需，必须是“ python Decision-tree.py”之后的第一个参数） 分类器名称（可选，默认情况下，分类器是数据集的最后一列） 数据类型标志（

Three.js 导入PLY格式的模型示例中需要使用的5个js文件中的一个：PLYLoader.js

Decision_Tree_Regression 使用Python进行决策树回归 执行代码的步骤： •首先下载决策树Regression.py文件和数据集。 并确保两个文件都在文件夹中。 •然后在任何Python编译器中打开python文件并运行代码。

DNA Tile Assembly for Degree-Constrained Minimum Spanning Tree