大车
分类和回归树（CART）C ++实现
目录
介绍
资料格式
介绍
CART是分类树和回归树的C ++实现，这是DM（数据挖掘）的著名算法。 这是此实现的源代码。
资料格式
培训和测试数据文件的格式为：
：：...。 。 。
每行包含一个实例，并以'\ n'字符结尾。
是一个浮点值，指示分类中的类ID，或者指示回归中的因变量值。 类ID的范围应从1到类的大小。 例如，对于4类分类问题，类ID为1、2、3和4。 因变量值保持的范围在实数集内。
和：以'\ t'字符分隔。 是表示要素ID的正整数。 功能ID的范围应从1到功能集的大小。 例如，如果要素集的尺寸为10，则要素ID为1、2，... 9或10。索引必须按升序排列。 是表示要素值的浮点数。
如果特征值等于0，则出于存储空间和计算速度的考虑，建议忽略：。
测试文件中的标签仅用于计算准确性或错误。 如果它们未知，则只需在第一
2021-11-07 11:01:20
4KB
1
C++实现机器学习决策树算法CART(Classification And Regression Trees, 即分类回归树).同样实现了剪枝算法用于解决决策树会产生过拟合的情况.代码干净,整洁,有注释可直接使用.
2021-11-07 10:26:48
11KB
1
关于决策树算法解释较为清晰明了的PPT与代码，非常适合小白入门，以及作为面试的准备，有助于快速提升机器学习基础算法
2021-10-16 23:13:19
2.71MB
1
本课程分为4个模块。
第一个模块通过预测年龄的直观案例理解GBDT算法流程。
第二个模块通过GBDT的三要素：GB(梯度提升)，DT(回归树)和Shrinkage(缩减)理解GBDT的算法核心。
第三个模块通过剖析分类和回归损失函数来讲解GBDT在分类和回归方面的应用。
第四个模块通过手动方式一步步拆解讲解GBDT回归，二分类，多分类的过程，还原真实迭代流程。
第五个模块通过真实案例讲解GBDT的工作中所用API。
资料：
视频：
2021-09-20 22:03:20
8.82MB
1
分类和回归树
该软件使用随机森林中的回归树对数据矩阵进行分类。 该软件有两个版本：python 文件夹中的 Python 版本。 有一个 C++ 版本，它在根文件夹中更快更准确。 两个版本都采用并行编程并在多个线程或进程中运行。
运行程序
要运行该程序，请使用以下参数：./randomForest -t training_file -c data_to_classify -p 16 -n 1000 -f 30 -m 0.1
所需参数
-t 培训文件输入矩阵文件来训练树
-s 文件名写入软标签输出到 AUPR 程序的软标签输出
可选参数
-p 16 使用线程池中的 16 个线程来处理树
-n 1000 在森林中使用 1000 棵树
-f 30 对每棵树使用 30 个特征的子集
-g 0.1
继续分裂的平方和的最小增益
增益 = sum_of_squares - (left_squares
2021-09-15 11:08:51
21KB
1
该档案库包含genfis4.m，该文件使用回归树算法生成Mamdani型和Sugeno型FIS，以从数据集中提取模糊规则信息。 它主要基于 Fuzzy Logic Toolbox，但需要修改 Toolbox 的模糊规则构建原理。 因此，一些原始的 m 文件适用于这种新的模糊规则结构。 它们用最后一个 'x' 符号标记并包含在存档中（例如，getfisx.m、evalfisx.m 等）尽管一些 Toolbox 的 m 文件仍然有效（例如，addvar.m、plotmf.m 等） 评论： - 在开始之前，您应该通过以下命令创建 MEX 文件： mex src/evalfisxmex.c 墨西哥 src/anfisxmex.c - 如果你想使用你自己的回归树算法，你需要重写 treefun.m（参见 example2.m 了解 MATLAB 的 fitrtree 用法）； - 有关模糊回归树的
2021-06-15 19:33:53
62KB
1
决策回归树主要用CART算法来实现。本资料包括有决策回归树的python实现以及相应的数据集，可以自动生成相应的决策树图。
2021-04-03 21:04:40
295KB
1
主要为大家详细介绍了python决策树之CART分类回归树，具有一定的参考价值，感兴趣的小伙伴们可以参考一下
2021-03-21 16:43:23
149KB
1
Python实现决策树多分类和回归（Robotnavigation数据）附数据集和结果
2021-03-05 18:14:11
754KB
1