西瓜书的西瓜数据集，用于决策树算法

人工智能决策树实验，为了让同学们更好的学习决策树，了解人工智能，请大家参考

用基本的ID3算法实现的决策树，附有源码及详细说明，包括输入输出、算法描述、数据结构及主要函数功能等

决策树ID3算法matlab源代码片段 function [Tree RulesMatrix]=DecisionTree(DataSet,AttributName) %输入为训练集，为离散后的数字，如记录1：1 1 3 2 1； %前面为属性列，最后一列为类标 if nargin<1 error('请输入数据集'); else if isstr(DataSet) [DataSet AttributValue]=readdata2(DataSet); else AttributValue=[]; end

使用R的集成方法 ######我已经完成了关于集成方法的个人项目（论文）。 首先，我对不同的集成方法进行了背景研究，然后在基础机器学习算法上实现了Boosting，AdaBoost，Bagging和随机森林技术。 我使用了提升方法来提高弱小的学习者（如决策树桩）的性能。 为决策树（包括回归和分类问题）和KNN分类器实施装袋。 将随机森林用作分类树。 我已经在使用不同阈值的逻辑回归算法上实现了一种特殊的增强算法，称为“ AdaBoost”。 然后绘制不同的图形，例如错误率与增强，装袋和随机森林迭代的关系。 比较装袋与提振的结果。 在应用集成方法之前和应用集成方法之后，分析了分类器的性能。 使用了诸如交叉验证，MSE，PRSS，ROC曲线，混淆矩阵和袋外误差估计之类的不同模型评估技术来评估集成技术的性能。

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（

研究了决策树生成算法,应用此算法分析学生考试成绩,得出对应的决策树,最后讨论了决策树发展的方向及需要解决的问题。

经典机器学习算法的Python源码，包括DecisionTree、DeepLearning、KMeans、kNN、logistic regression、ManifoldLearning、NaiveBayes、PCA、Ridge、SVM

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。

C++、决策树、测试数据集、http://www.cnblogs.com/xiaoyi115/p/3696107.html这是博文地址