树
用javascript编写的Bounding Volume Hierarchy数据结构，用于大三角形网格的空间索引。 使光线与三角形网格快速相交。
演示版
用法
从三角形列表构造BVH
var triangle0 = [
{ x : 0.0 , y : 0.0 , z : 0.0 } ,
{ x : 1000.0 , y : 0.0 , z : 0.0 } ,
{ x : 1000.0 , y : 1000.0 , z : 0.0 }
] ;
var triangle1 = [
{ x : 0.0 , y : 0.0 , z : 0.0 } ,
{ x : 2000.0 , y : 0.0 , z : 0.0 } ,
{ x : 2000.0 , y : 1000.0 , z : 0.0 }
] ;
// the maximum number of tria
2021-10-12 19:34:13
1.6MB
1
B-Tree的C++版本，可以实现B树的建立，插入，查找，删除，本代码中默认为3阶B-Tree，通过修改宏定义，可以修改为任意阶B-Tree
2021-10-09 11:45:38
12KB
1
从官方网站下的最新正式版的jenkov-prizetags-3.4.0，包括jenkov-prizetags-3.4.0.jar、jenkov-prizetags-doc-3.4.0.zip、jenkov-prizetags-src-3.4.0.zip、jenkov-prizetags-web-3.4.0.zip所有文件。大家就不必再从一大堆英文中找下载地址了，:)
2021-10-04 22:55:09
1.29MB
1
Decision_tree-python
决策树分类（ID3，C4.5，CART）
三种算法的区别如下：
(1) ID3算法以信息增益为准则来进行选择划分属性，选择信息增益最大的；
(2) C4.5算法先从候选划分属性中找出信息增益高于平均水平的属性，再从中选择增益率最高的；
(3) CART算法使用“基尼指数”来选择划分属性，选择基尼值最小的属性作为划分属性.
本次实验我的数据集如下所示：
共分为四个属性特征：年龄段，有工作，有自己的房子，信贷情况;
现根据这四种属性特征来决定是否给予贷款
为了方便，我对数据集进行如下处理：
在编写代码之前，我们先对数据集进行属性标注。
（0）年龄：0代表青年，1代表中年，2代表老年；
（1）有工作：0代表否，1代表是；
（2）有自己的房子：0代表否，1代表是；
（3）信贷情况：0代表一般，1代表好，2代表非常好；
（4）类别(是否给贷款)：no代表否，
2021-10-01 14:43:40
1.36MB
1
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
2021-09-29 11:20:29
311KB
1
主要介绍了element el-tree组件的动态加载、新增、更新节点的实现，文中通过示例代码介绍的非常详细，对大家的学习或者工作具有一定的参考学习价值，需要的朋友们下面随着小编来一起学习学习吧
2021-09-27 22:23:35
87KB
1