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

基于决策树的鸢尾花分类-附件资源

梯度提升决策树算法（GBDT）作者：江尘（[受电子邮件保护]）GBDT是Jerome H. Friedman的梯度提升决策树算法的高性能且功能齐全的C ++实现。 （[受电子邮件保护]）GBDT是Jerome H. Friedman的“梯度增强决策树算法”及其现代后代的高性能且功能齐全的C ++实现。 它具有高效，低内存占用，丢失功能的集合以及内置机制来处理分类功能和缺失值的功能。 GBDT什么时候对您有利？ 您正在寻找的不仅仅是线性模型。 梯度提升决策

决策树基础———wine红酒数据集实列.ipynb

以莺尾花数据为例，里面包含决策树的创建，训练，预测，并画出创建后的决策树图像。已附带iris数据集

采用数据挖掘技术中ID3决策树算法分析学生成绩.pdf 采用数据挖掘技术中ID3决策树算法分析学生成绩.pdf

由于学生的成功率反映了教育组织的成功，因此学生成功率不断提高的趋势成为所有教育组织的目标。 除此之外，学生完成中学后接受高等教育的意愿是教育组织最重要的目标之一。 许多原因会影响这种意愿，揭示这些原因可能会增强学生的意愿。 数据挖掘工具（尤其是决策树算法）可以被认为是找到隐藏模式以实现这些目标的最佳选择。 本工作中使用的实验数据集是由米尼奥大学的 Paulo Cortez 和 Alice Silva 收集和分析的两门课程（数学（395 个实例）和葡萄牙语（拥有 659 个实例的葡萄牙语课程））的葡萄牙学生的数据集，葡萄牙。 在这项工作中应用和试验了三种决策树算法（J48、RepTree 和 Hoeffding Tree（VFDT））。 结果表明，J48算法最适合对学生完成高等教育和课程成功的意愿进行分类和预测。

决策树分类算法实验报告18页-作者原创机器学习大作业-目录内容： 1.研究意义2.数据描述3.模型描述4.算法实现5.运行结果及意义说明6.总结-包含算法流程图,运行结果截图

主要介绍了Python机器学习之决策树算法,较为详细的分析了实例详解机器学习中决策树算法的概念、原理及相关Python实现技巧,需要的朋友可以参考下

首先讲解了信息量的概念，隐身出信息熵的概念，举经典例子。