python尝试实现决策树算法，具有一点参考价值

快速条件独立测试（FCIT）。 介绍 令x，y，z为随机变量。 然后确定P（y | x，z）= P（y | z）是否很困难，尤其是在变量是连续的情况下。 该程序包实现了一个简单而有效的条件独立性测试，在[我们编写时会链接到arXiv！]中进行了介绍。 区分此测试与竞争的重要功能： 很快最坏情况下的速度缩放为O（n_data * log（n_data）* dim），其中dim是max（x_dim + z_dim，y_dim）。 但是，摊销速度为O（n_data * log（n_data）* log（dim））。 它适用于x，y，z中的一些是连续的，而某些是离散的或分类的（一次热编码）的情况。 理解和修改非常简单。 它可以用于无条件独立性测试，而无需更改程序。 我们已经在几秒钟内将此测试应用于了成千上万个千维数据点的样本。 对于较小的尺寸和较小的样本，只需几分之一秒。 该算法在[ar

see5.0决策树分析算法与其详细操作资料

多元 ADTree 是交替决策树 (ADTree) 的多元扩展。 这些变体是 Fisher 的 ADTree、Sparse ADTree 和 Regularized Logistic ADTree。 将 Ridge、Lasso 和 Elastic Net 等正则化技术纳入 ADTree，这是一种基于 boosting 算法诱导的特殊决策树。 查看此链接了解更多信息： http : //aue.erc.monash.edu.au/webMathematica/Asue/ADTree.jsp 如果您在工作中使用工具箱，请引用以下论文： 1. Sok HK, Ooi M PL, Kuang YC and Demidenko S 2016 多元交替决策树模式识别 50 195-209 2. Sok HK、Ooi M PL 和 Kuang YC 2015 稀疏交替决策树模式识别快报 60 57-64

基于CART决策树模型的中医药联合化疗对晚期肺癌生存预后的分析，焦丽静，杨铭，背景 近年来，肺癌已经成为发病率和死亡率增长最快、对人类健康和生命威胁最严重的恶性肿瘤。70%-80%患者在明确诊断时已属晚期，化

一个简单的例子 下面两个分裂的结果会得到相同的精度—有200个记录会被误分类 但是，很显然，2号分裂毫无疑问更好一些－右边的节点是完全纯净的，在这边无需更多的工作 一个突的混杂度函数会青睐第二个分裂 一号分裂 二号分裂

商务智能原理与方法决策树模型的数据挖掘实现实验报告，通过决策树模型数据挖掘三国数据库，讲解了sql server2008 r2的使用步骤

Excel决策树插件Treeplan,Excel决策树插件Treeplan,Excel决策树插件Treeplan

装袋(Bagging) 用训练集的不同样本来训练同一个学习者，来创建多重模型(Breiman,1996) 给定训练集大小为n，通过从原始数据取样(用替换方法)，创建m个不同的训练集(大小为n) 用简单的投票方法来合并这m个模型 可用于任何学习方法 减少了不稳定学习算法的一般化错误，即当训练数据轻微改动时会导致决策结果剧烈变动的那些学习方法

通过python 一步一步实现决策树，里面教程清晰