基于matlab的表情识别代码从面部表情识别情绪 目录 介绍 在实施和测试基本机器学习技术方面的动手经验。 将要检查的技术是决策树（DT）和人工神经网络（ANN）。 这些技术中的每一种都将用于基于一组标记的面部动作单元（AU）从人的面部表情中识别出六种基本情绪（愤怒，厌恶，恐惧，幸福，悲伤和惊奇）。 后者对应于人类面部肌肉的收缩，这是每一个面部表情的基础，包括六种基本情感的面部表情。 前述技术的实施需要对这些技术的理解。 面部动作编码系统和基本情绪 在计算机科学研究中，当今时代的一大挑战是对人类面部表情的自动识别。 能够执行此任务的机器在行为科学，安全性，医学，游戏和人机交互（HMI）等领域具有许多应用。 众多认知科学家已经证明了面部表情在人际交流中的重要性。 例如，我们使用面部表情来同步对话，显示我们的感受并表示同意，否定，理解或困惑，仅举几例。 因为人与人之间的交流比人与机器之间的交流更为自然，所以设计能够模拟人与人之间的交互以实现人与机器之间相同自然交互的机器是逻辑上的一步。 为此，机器应该能够检测并理解我们的面部表情，因为它们是人与人之间交流的重要组成部分。 流式细胞仪 传统上

鸢尾花数据分类，决策树Python实现

酒数据集 https://blog.csdn.net/li1873997/article/details/124780441

TDT4300-分配4-决策树 使用决策树和K近邻分类器对有毒蘑菇进行分类。

基于决策树学习的智能机器人控制方法

摘 要 短时强降水是气象上的常见灾害性天气，准确认识短时强降水的发生规律和科学有效地预报是防灾减灾的关键问题。利用江苏省13个气象观测站历史上短时强降水观测资料，用遗传算法进行特征选择，选定影响短时强降水的对流抑制能、对流有效势能、高空水汽通量场等19个特征为主要因素，将是否短时强降水抽象成二元分类问题。借助机器学习中CART决策树算法进行分类分析，构建便于预报员使用的短时强降水预报规则集。实验部分，随机选择3000条样本进行训练模型，得到适合江苏地区的短时强降水规则集，用剩余的838条数据进行检验，模型的短时强降水预报准确率为88.26%，非强降雨预报准确率为96.81%，较特征选择之前分别提升4.75%和0.70%。

python机器学习算法决策树和聚类分析实验报告

决策树代码。里面有代码，数据，还有代码执行过程中输出的PDF。根据电影数据样本的类别属性去预测是否去看电影。

上海大学-机器学习-决策树实验 实验介绍 1.实验内容 本实验包括: 学习并实现决策树算法----以ID3算法为例 基于决策树算法预测隐形眼镜类型

ID3算法是由Quinlan首先提出的。该算法是以信息论为基础，以信息熵和信息增益度为衡量标准，从而实现对数据的归纳分类。