1.数据集的获取。 使用SCIKIT-LEARN的自带的鸢尾花数据集，获取该数据集150个样本的后两个特征及相应类别标签。 2.数据集的最小包围盒的获取，以及数据集的划分。 (1)获取原始二维空间中150个样本的最小包围矩形[x1_min, x1_max]*[x2_min,x2_max],并记录有关参数值。 (2)将数据集按照类别标签分层随机打乱，基于hold-out法，构建训练集(80%)与测试集(20%) 3. 模型的学习。 利用训练集，学习两种复杂程度不同的CART分类树，可视化两个分类树的学习结果。 4. 基于测试集的分类树的评价。 (1)结合测试集各样本的类别预测结果及真实类别答案，生成混淆矩阵，并可视化混淆矩阵 (2)基于混淆矩阵，估计每个类别的查准率、查全率、F1值，以及宏查准率、宏查全率、宏F1值；估计总体预测正确率. 5. 分类树的使用。 (1)在原始二维空间的矩形区域[x1_min-1, x1_max+1]*[x2_min-1,x2_max+1]内，分别在水平、垂直方向以0.02为间隔，细分生成离散格子点。 (2)分别以每个格子点作为一个待决策样本，对其分类

CART，生长树算法，内有代码，输入数据，在个人学习后，有大量注释，是自己学习这个方法时所写下的，方便学习，如有不对的，请指出。 另外，在主程序中，引用了自己编写的一些替代子程序，但原程序中的子程序引用仍然保留，只是被当作注释

视频讲解清楚、完整、详细，内容包括：cart分类器分类。初学者的必备课程。

cart

今天小编就为大家分享一篇python实现连续变量最优分箱详解--CART算法，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧

cart算法代码matlab PILCO-学习控制的概率推断 这是使用Tensorflow和GPflow在Python中（最初用MATLAB编写）的重新实现。 这项工作主要是为了个人发展而进行的，部分实施是基于此。 该存储库将主要作为我未来研究的基准。 我使用和实现了购物车杆基准测试。 我之所以这样做，是因为OpenAI的CartPole环境没有连续的动作空间，并且因为它使用了“倒置”的推车杆。 新环境代表了具有连续动作空间的传统手推车基准测试。 该文件包含基于的新的CartPole类。 我还创建了定义传统手推车杆的MuJoCo环境的文件。 先决条件 该示例需要（具有接触的多关节动力学）物理引擎，才能使用倒立摆。 我相信有免费的学生许可证。 正在安装 使用pip install -r requirements 。 确保使用Python 3。 您可能要为此使用虚拟环境。 例子 给出了在购物车杆环境中实现该代码的示例，该示例可在中找到。 建于 作者 艾丹·斯堪内尔 执照 此项目已获得MIT许可证的许可-有关详细信息，请参见文件。 致谢 原始执行： MP Deisenroth，D.Fox和C

这是一个用python实现的cart回归树(不是调用sklearn的), 可以调整参数,并且打印决策树并用plt展示数据和回归线,demo是回归模型,返回的值是平均值,稍微修改后可以用于分类

Cs-Cart：Cscart模板

扑克牌小游戏——老牛拉破车

zencart个人支付模块，亲测可用！很老的电商系统了，市面上只有这个个人支付模块可以接入使用。