机器学习 这些是我用一些数据集实现的一些流行的机器学习算法。 其中包括线性回归（多变量）的实现，逻辑和线性回归的梯度下降，决策树，随机森林，朴素贝叶斯。 它们都是用python 3.5编写的。

本节主要介绍数据挖掘中常见的分类方法决策树和朴素贝叶斯算法。 决策树算法 决策树（Decision Tree，DT）分类法是一个简单且广泛使用的分类技术。 决策树是一个树状预测模型，它是由结点和有向边组成的层次结构。树中包含3种结点：根结点、内部结点和叶子结点。决策树只有一个根结点，是全体训练数据的集合。 树中的一个内部结点表示一个特征属性上的测试，对应的分支表示这个特征属性在某个值域上的输出。一个叶子结点存放一个类别，也就是说，带有分类标签的数据集合即为实例所属的分类。 1. 决策树案例 使用决策树进行决策的过程就是，从根结点开始，测试待分类项中相应的特征属性，并按照其值选择输出分支，直

决策树分类作为一种基于空间数据挖掘的知识发现的监督分类方法，它通过决策学习过程得到分类规则并对遥感影像进行分类，突破了以往分类树或分类规则的构建要利用分类者的生态学和遥感先验知识的确定。我们以AdaBoost和C4.5算法为基础，通过算法改进，创建了适用于遥感影像分类的决策树算法GLC树，并依托C#+ArcEngine平台设计实现了GLC_Info v1.1。该软件以GLC分类器为核心，不仅提供了基于像元的遥感影像分类功能，而且可以在ENVI或者eCognition分割结果的基础上实现遥感影像面向对象自动分类。和以往分类中手动建立规则集相比，该软件通过决策树学习的方式建立规则集，不仅提高了效率，而且大大降低了对操作员的要求。另外该软件还提供了一些辅助分类以及统计分析功能。

matlab c4.5决策树分类算法 经实测好用

热舒适性是人们对室内温度的满意程度的体现，与人们的工作效率和健康状况有关。 这样，有必要为用户构建合适的环境。 但是，即使过去几十年自适应热舒适性发展Swift，大多数模型仍基于简单的统计分析（例如回归模型）开发，这些模型也可能无法捕获热舒适性与室内热环境之间的复杂关系。作为个体特征之间的差异。 因此，为了提高自适应热舒适模型的准确性，本文提出了一种基于决策树的RP884数据集子集开发的热舒适模型。 然后，开发了基于舒适度的HVAC控制器，该控制器具有上述训练模型的热感预测结果。 结果，提出的控制器确实改善了乘员的热舒适模型。

针对当前大学生成绩预测系统模型设计复杂、计算量大、预测准确性差、智能化程度低、受人为因素影响大等问题，提出了一种基于大数据决策树算法的学生成绩分析与预测模型。该模型将大学生成绩预测问题转换成大学生学习状态分类问题，以简化模型设计并提高大学生成绩预测的准确性；通过引入计算量较小的决策树算法，利用与成绩相关的数据实现对学生未来成绩的预测，从而提高成绩预测系统的智能性和客观性。该预测模型与传统的成绩预测方法相比，具有模型复杂度低、实现简单、智能化程度高、预测准确性及客观性强等优点。在实际成绩预测实验中，对学生成绩预测的准确率达到94%，证明了该预测模型的有效性。

该资源属于代码类资源，用jupyter notebook编写，文档类型是ipynb，只能用jupyter note 打开，主要内容是机器学习算法中的决策树算法，数据来源于p2p网贷数据，通过此模型算法可以很好的对客户的是否会违约进行预测分类。

C5.0算法原理解析

只用到了numpy库，自己编写的函数，计算交叉熵、信息增益、递归创建决策树、解码分类 # 第1步: 针对每个特征，计算信息增益 # 第2步: 选取最大增益的特征，分裂决策树，递归调用 # 第3步: 解码决策树，进行分类

分类决策树算法.ppt