weak 对决策树算法的实际应用 有训练和测试两部分，如果你是数据挖掘的新手，那么这个文档会告诉你如何使用weka用于实际的算法进行挖掘，保证让你满意
2022-12-28 14:50:05
603KB
1
id3
matlab代码多决策树算法
这是教决策树算法的演示
用于简单决策树算法，ID3和C4.5的Matlab代码
用于测试上述代码的示例数据集
2022-12-05 21:59:04
3.84MB
1
针对传统分类方法在处理空间特征分布极为复杂的数据时效果不佳的缺点，结合分层思想的树分类技术，对广泛用于数据挖掘模型中的CART决策树算法进行改进，提出了一种基于人机交互的决策树算法，将其应用到遥感图像自动分类中，具有很好的弹性和鲁棒性，且分类结构简单明了，达到了更好的分类效果。以VC 6.0作为开发工具，定义了一种特殊的数据结构，实现了该分类系统。实践表明，该系统具有很好的稳定性和交互性，实用性较强。
2022-12-02 09:06:49
1004KB
1
基于挖掘分析影响学生学习效果主因素为目的，采用了能够对数据进行挖掘分析并直观展示结果的决策树技术方法，通过某班学生某门课程的学习信息数据进行挖掘分析的试验，采用ID3和C4.5算法生成决策树，并使用后剪枝技术精简决策树，最终找出决定本门课程学习效果的主要因素-考勤。从而为分析学生学习情况，给予个性化提示与指导提供有效的建议。
2022-11-29 14:52:23
661KB
1
C4.5算法使用信息增益率来代替ID3的信息增益进行特征的选择，克服了信息增益选择特征时偏向于特征值个数较多的不足。信息增益率的定义如下：
# -*- coding: utf-8 -*-
from numpy import *
import math
import copy
import cPickle as pickle
class C45DTree(object):
def __init__(self): # 构造方法
self.tree = {} # 生成树
self.dataSet = [] # 数据集
self.labels = [] # 标签集
# 数据导入
2022-11-10 10:16:14
85KB
1
基于决策树算法识别数据特征的设计与实现代码大全.doc基于决策树算法识别数据特征的设计与实现代码大全.doc基于决策树算法识别数据特征的设计与实现代码大全.doc
2022-10-19 15:05:26
316KB
1
numpy复现决策树算法内含数据集以及教程。决策树(Decision Tree）是在已知各种情况发生概率的基础上，通过构成决策树来求取净现值的期望值大于等于零的概率，评价项目风险，
2022-10-16 22:08:00
6KB