莺尾花源码，其中包含： 逻辑回归、决策树、支持向量机、朴素贝叶斯、KNN

决策树、随机森林和极度随机森林的交叉验证评分的python代码

通过研究各种决策树分类算法的并行方案后，并行设计C4.5算法。同时根据Hadoop云平台的MapReduce编程模型，详细描述C4.5并行算法在MapReduce编程模型下的实现及其执行流程。最后，对输入的海量文本数据进行分类，验证了算法的高效性和扩展性。

预防心脏病变得非常必要。良好的数据驱动的心脏病预测系统可以改善整个研究和预防过程，确保更多的人可以过上健康的生活。这就是机器学习发挥作用的地方。机器学习有助于预测心脏疾病，而且做出的预测相当准确。 该项目涉及对心脏病患者数据集进行分析，并进行适当的数据处理。然后，训练不同的模型，并使用不同的算法KNN、决策树、随机森林进行预测

python，西瓜数据集，分别用ID3、C4.5、CART决策树进行西瓜好坏的分类决策，画出树的图像，机器学习

机器学习（期末复习笔记）：支持向量机，人工神经网络，决策树，强化学习

通过jueceshu.py建立一棵决策树，再通过main.py从17个样本中每次随机抽取11个样本建立1棵决策树，一共建立3个决策树，再统计每棵决策树的预测结果，选取出现结果最多的类别为最终结果。参考了一些博客，但是他们的预测函数有点问题，不能采用自己的数据集，于是我改进了一下，条件是：预测样本必须满足样本集包括的前6个特征。也可不以西瓜为数据集。

贝叶斯与决策树算法在入侵检测中的应用

贷款违约数据集含有 年龄、教育、工龄、地址、收入、负债率、信用卡负债、其他负债以及违约情况的字段。通过各特征来判断用户的违约情况。用到的技术模型如下 逻辑回归 面对一个回归或者分类问题，建立代价函数，然后通过优化方法迭代求解出最优的模型参数，然后测试验证我们这个求解的模型的好坏。 k近邻法（k-nearest neighbor，k-NN） 一种基本的分类和回归方法，是监督学习方法里的一种常用方法。k近邻算法假设给定一个训练数据集，其中的实例类别已定。分类时，对新的实例，根据其k个最近邻的训练实例类别，通过多数表决等方式进行预测。 决策树 一种基于树结构来进行决策的分类算法，我们希望从给定的训练数据集学得一个模型（即决策树），用该模型对新样本分类。决策树可以非常直观展现分类的过程和结果，一旦模型构建成功，对新样本的分类效率也相当高。 SVM(Support Vector Machine) 中文名为支持向量机，是常见的一种判别方法。在机器学习领域，是一个有监督的学习模型，通常用来进行模式识别、分类以及回归分析。 模型评估 可以根据混淆矩阵。得到其Accuracy准确率以及F1 score

id3 matlab代码多决策树算法 这是教决策树算法的演示 用于简单决策树算法，ID3和C4.5的Matlab代码 用于测试上述代码的示例数据集