pyC45 pyC45 是一个超轻量级的 Python C4.5 决策树包，它只包含一个文件“pyC45.py”。 它为用户提供了一个简单高效的界面来训练 C4.5 决策树并使用它进行预测或分类。 训练好的决策树保存为 XML 文件，以便于阅读和理解。 随着所谓的“大数据时代”的到来，C4.5 是数据挖掘和机器学习中最受欢迎的算法之一。 由清华大学张驰昱于2013年冬季开发。

车辆油耗是道路建设后评价的重要指标之一,同时也是道路路面设计、加油站选址、路径选择等问题的决策依据.传统的车辆油耗估计主要采用回归建模的方式,本文基于决策树数据挖掘方法给出了一种车辆油耗的估计模型.首先,利用主成分分析法获取影响车辆油耗的关键因素;其次,基于改进的C4.5决策树构建车辆油耗估计模型;最后,结合1组高速公路场景下车辆油耗的典型样本数据,对本文模型进行验证,通过对车辆油耗预测值与真实值的误差分析,表明本文模型的有效性和实用性.

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（

针对C4.5算法在构建决策树过程中将条件属性与决策属性之间的信息增益率作为选择分裂属性的标准,而未考虑条件属性间相关性对结果影响这一缺点,提出了一种修正信息增益率的改进算法。首先计算当前分裂属性与各个条件特征间的平均信息增益,将其作为计算修正信息增益率的影响因素之一;然后使用高等数学中Taylor中值定理和Maclaurin公式的近似式,对修正后的信息增益率公式进行去除对数化简。将改进后的算法分别同原始算法和其他优化算法进行仿真实验,对比结果表明,本文改进后的C4.5决策树算法既提高了平均分类准确率,同时又提高了算法运行效率。

主要为大家详细介绍了python实现C4.5决策树算法，具有一定的参考价值，感兴趣的小伙伴们可以参考一下

下面小编就为大家带来一篇python实现决策树C4.5算法详解(在ID3基础上改进)。小编觉得挺不错的，现在就分享给大家，也给大家做个参考。一起跟随小编过来看看吧

matlab c4.5决策树分类算法 经实测好用

ID3和C4.5决策树学习算法的实现 通过使用ID3和C4.5算法实现决策树并生成F1分数。 在UCI机器学习蘑菇数据集上进行测试 入门：将“ Project1_N01412075_Resubmission”文件夹下载到本地驱动器。 This folder has 1) Project1_Mushroom_DT_N01412075.py - A file that contains source code for the implementation. 2) Mushroom folder that has 10 smaller training files(used for cross validation), 1 larger training file (which is a concatenation of all the smaller files) and a final

决策树经典学习算法，C4.5算法是ID3算法的改进，加上了子树的信息，因素属性的值可以是连续量,训练例的因素属性值可以是不确定的,对已生成的决策树进行裁剪,减小生成树的规模.

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，