使用机器学习预测天气 使用多项式Lo​​gistic回归，决策树，朴素贝叶斯多项式和支持向量机进行天气预报 资料集 我们的数据集如下所示，是我们从收集的 我们拥有过去30年[1988-2017]的天气数据。训练和测试集分为两个部分，其中两个类别的数据分别占70％和30％。 参数： 天 月 年 湿度（％） 最高温度（单位⁰C） 最低温度（inC） 雨量（毫米） 海平面压力（以MB为单位） 阳光（小时） 风速（结） 云（在okta中） 训练和测试模型的准确性： 模型 训练准确率（％） 测试精度（％） 逻辑回归 74.2 76.9 决策树 76.8 74.05 多项式N

Gradient Boosting Decision Tree 1. 构建与使用 1.1 构建 Windows: 使用 Visual Studio 2017 打开解决方案并生成即可。 Linux: 根目录提供了 makefile 文件，使用 make 编译即可，需要 gcc >= 5.4.0 1.2 使用 用法：boost 接受 LibSVM 格式的训练数据输入，如下每行代表一个训练样本： : : : 用于预测的数据输入和训练数据类似： :<featu

解读决策树与随机森林模型的概念.docx

主要介绍了Python3 ID3决策树判断申请贷款是否成功的实现代码，本文通过实例代码给大家介绍的非常详细，对大家的学习或工作具有一定的参考借鉴价值,需要的朋友可以参考下

《机器学习》决策树学习笔记，根据数据集生成决策树，并以json格式存储。目前没有做可视化展示部分，需要以后完善

附件提供了基于MODIS土地利用覆被多时相多光谱数据开展决策树分类的完整的IDL源代码、案例数据及数据处理中的过程数据。分类结果包括：水域、建设用地、园地、林地、一年两熟耕地、一年一熟耕地、其他土地和无数据区域。非常适合于需要用MODIS数据进行信息提取的同行的参考。

调用sklearn.linear_model中的LogisticRegression库，尝试通过对率回归对离散数据进行划分，对每个属性进行预测，选取正确率最大的属性作为根节点，并对该节点的每个属性取值进行划分选择，依此类推，最终绘制一棵决策树。

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。

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。而C5.0算法作为最为前沿的决策树算法，目前尚没有一款基于它的遥感影像分类软件。基于此，我们以C5.0决策树算法为基础，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，进并依托C#+ArcEngine平台设计实现了GLC_Info v1.0，该软件具有指数变换、样本点的选取、训练集的生成、规则集的建立、影像分类、分类图后编辑等一系列功能，通过这些功能我们为广大用户提供了一款简洁、实用、快速、高精度的遥感影像分类软件。

决策树又称为判定树,是运用于分类的一种树结构,其中的每个内部节点代表对某一属性的一次测试,每条边代表一个测试结果,叶节点代表某个类或类的分布