实现决策树C4.5算法，对数据进行训练，得到决策模型，并用以预测新数据，得到分类结果。

一、概论 C4.5主要是在ID3的基础上改进，ID3选择（属性）树节点是选择信息增益值最大的属性作为节点。而C4.5引入了新概念“信息增益率”,C4.5是选择信息增益率最大的属性作为树节点。 二、信息增益 以上公式是求信息增益率（ID3的知识点） 三、信息增益率 信息增益率是在求出信息增益值在除以。 例如下面公式为求属性为“outlook”的值： 四、C4.5的完整代码 from numpy import * from scipy import * from math import log import operator #计算给定数据的香浓熵： def calcShannonEnt(

本篇文章主要介绍了Python实现决策树C4.5算法的示例，详解的介绍了决策树C4.5算法的原理和实现代码，非常具有实用价值，需要的朋友可以参考下

决策树C4.5完整的C++源代码，完整的注释，和文档，测试数据，训练数据，直接可以使用

资源中包含完整的C4.5决策树算法Python代码和测试数据，其中有4个文件：C45.py是算法的实现代码，treePlotter.py是绘制决策树代码，PlayData.txt是样本数据，C45test.py用来构建、绘制并测试决策树，

决策树经典算法的例子分析和说明，具体解释决策树的经典算法

matlab_决策树C4.5算法源代码,支持matlab环境

资源中包含完整的C4.5决策树算法Python代码和测试数据，其中有4个文件：C45.py是算法的实现代码，treePlotter.py是绘制决策树代码，PlayData.txt是样本数据，C45test.py用来构建、绘制并测试决策树，您可以运行该文件来依次进行决策树的构建、剪枝、绘制树型图，并对测试样本进行分类。

本程序为VS2010编写，其中源程序中包含测试数据。