数据挖掘 ID3算法 c语言源代码，便于大家利用此源代码开发，使用。

决策树ID3算法编程（c语言课程设计）

ID3算法的Python2.7实现，添加了GUI界面 文章链接：http://blog.csdn.net/weixin_40638517/article/details/78909080

1、决策树ID3算法的实例解析是一个比较好地通过实例让你可以更好地理解ID3算法。 2、其中对信息论的信息熵的解释也比较到位，比较准确。

id3算法利用matlab语言进行实现，简单对数据进行划分。

用基本的ID3算法实现的决策树，附有源码及详细说明，包括输入输出、算法描述、数据结构及主要函数功能等

决策树ID3算法matlab源代码片段 function [Tree RulesMatrix]=DecisionTree(DataSet,AttributName) %输入为训练集，为离散后的数字，如记录1：1 1 3 2 1； %前面为属性列，最后一列为类标 if nargin<1 error('请输入数据集'); else if isstr(DataSet) [DataSet AttributValue]=readdata2(DataSet); else AttributValue=[]; end

ID3算法的大致实现，同学们可以作为参考

a) 您如何实现初始树（A 部分）以及为什么选择您的方法？ 为了实现决策树，我们使用了 ID3（迭代二分法 3）启发式。 训练阶段 - 构建决策树： 在 ID3 算法中，我们以原始属性集作为根节点开始。 在算法的每次迭代中，我们遍历剩余集合中每个未使用的属性并计算该属性的熵（或信息增益）。 然后，我们选择具有最小熵（或最大信息增益）值的属性。 然后剩余的属性集被选定的属性分割以生成数据的子集。 该算法继续在每个子集上递归，只考虑以前从未选择过的属性。 测试阶段：在运行时，我们将使用经过训练的决策树对新的未见过的测试用例进行分类，方法是使用此测试用例的值向下处理决策树，以到达告诉我们此测试用例属于哪个类的终端节点。 我选择这种方法是因为以下原因： 它通过选择最佳属性来在每次迭代中拆分数据集，从而使用贪婪方法。 在离散数据上运行非常快（在 3 到 4 分钟内运行）。 但是，

用JAVA实现的数据挖掘分类挖掘 决策树 ID3算法。较完整。有简易界面。分训练集和测试集。通过训练集得出决策树。用测试集测决策树的预测正确率。