带有SVM-KNN的心电图数据对胎儿状态的分类-使用克涅姆的决策树：使用SVM，KNN和使用Knime的决策树对心电图数据进行胎儿状态的分类

渐变光机 LightGBM是使用基于树的学习算法的梯度增强框架。 它被设计为分布式且高效的，具有以下优点： 训练速度更快，效率更高。 降低内存使用率。 更好的准确性。 支持并行和GPU学习。 能够处理大规模数据。 有关更多详细信息，请参阅。 受益于这些优势，LightGBM被广泛用于许多机器学习竞赛的中。 在公共数据集上进行的表明，LightGBM可以在效率和准确性上均优于现有的Boosting框架，并且显着降低了内存消耗。 此外， 表明，LightGBM可通过使用多台机器进行特定设置的训练来实现线性加速。 入门和文档 我们的主要文档位于并从该存储库生成。 如果您不熟悉LightGBM，请按照站点上进行。 接下来，您可能需要阅读： 显示常见任务命令行用法的。 LightGBM支持的和算法。 是您可以进行的自定义的详尽列表。 和可以加快计算速度。 是有关超参数的详细指南。 为LightGBM超参数（）提供自动调整。 贡献者文档： 。 查阅《 。 新闻 请参考页面上的变更日志。 一些重要的更新日志可在“页面上找到。 外部（非官方）存储库 Optun

基于决策树的学生成绩分析

spss的课件 好东东哦 赶快下载 主要讲决策树算法及应用拓展 个人认为比较实用

数据挖掘 C4.5决策树算法是数据挖掘的十大经典算法之一。在最近几年，高中文理分科对于高中生来说，也是我国大多数省份高中生应注意的问题，本文是主要研究C4.5决策树算法，对于高中生文理分科问题作出相关分析，用于帮助高中生作出合理的决策，也能让学校了解自己学生的特性。在使用算法的同时并对C4.5提出改进意见。 关键词：C4.5；决策树；数据挖掘；高中文理分科

Prudential-Life-Insurance-Risk-Prediction:机器学习算法适用于大量申请人数据，以预测其人寿保险风险。 这些算法包括线性回归，决策树，支持向量机（SVM）和XGBoost

Breast-Cancer-Prediction:在人工智能学术课程中使用监督学习决策树算法进行乳腺癌预防

https://clouddaidai.blog.csdn.net/article/details/119943819 https://clouddaidai.blog.csdn.net/article/details/119943793 sklearn实现决策树的训练数据

针对室内环境中指纹定位接收信号强度信息的高维时变特性以及动态目标定位误差的 累积问题，提出了一种基于梯度提升决策树与粒子滤波相结合的融合算法。该算法首先利用梯 度提升决策树算法建立的位置坐标与接收信号强度之间的非线性映射模型，对在线接收的信号 强度数据进行特征分类判别，实现位置的初步估计；随着目标的运动，进一步结合粒子滤波方 法，迭代地实现动态目标位置的精确预测；另外，将定位轨迹与实际轨迹进行对比，以验证该算 法的稳定性。实验仿真结果表明：累积分布函数在80％的百分位处，提出算法的定位精度控制 在1.19m以内，明显优于基于支持向量机、随机森林等定位算法；同时较基于梯度提升决策树 算法的定位精度提升了34.9％；所获得的定位轨迹与实际轨迹的趋势一致且趋于收敛。

基于聚类的数据预处理对模糊决策树产生的影响.pdf