该资源为人工智能-机器学习相关算法详细讲解，包括K-近邻算法、线性回归、逻辑回归、决策树算法、集成学习、聚类算法以及拓展的理论和实践案例。

计算机视觉-决策树学习MATLAB源码 与其他的数据挖掘算法相比，决策树有许多优点: （1）易于理解和解释 人们很容易理解决策树的意义。 （2）只需很少的数据准备 其他技术往往需要数据归一化。 （3）即可以处理数值型数据也可以处理类别型 数据。其他技术往往只能处理一种数据类型。例如关联规则只能处理类别型的而神经网络只能处理数值型的数据。 （4）使用白箱 模型，输出结果容易通过模型的结构来解释。而神经网络是黑箱模型，很难解释输出的结果。 （5）可以通过测试集来验证模型的性能 。可以考虑模型的稳定性。 （6）强健控制. 对噪声处理有好的强健性。 （7）可以很好的处理大规模数据 。 缺点： （1）训练一棵最优的决策树是一个完全NP问题。因此, 实际应用时决策树的训练采用启发式搜索算法例如 贪心算法 来达到局部最优。这样的算法没办法得到最优的决策树。 （2）决策树创建的过度复杂会导致无法很好的预测训练集之外的数据。这称作过拟合。 剪枝机制可以避免这种问题。 （3）有些问题决策树没办法很好的解决,例如 异或问题。解决这种问题的时候，决策树会变得过大。

自已练习算法时实现的B树算法，附加了遍历功能

车辆油耗是道路建设后评价的重要指标之一,同时也是道路路面设计、加油站选址、路径选择等问题的决策依据.传统的车辆油耗估计主要采用回归建模的方式,本文基于决策树数据挖掘方法给出了一种车辆油耗的估计模型.首先,利用主成分分析法获取影响车辆油耗的关键因素;其次,基于改进的C4.5决策树构建车辆油耗估计模型;最后,结合1组高速公路场景下车辆油耗的典型样本数据,对本文模型进行验证,通过对车辆油耗预测值与真实值的误差分析,表明本文模型的有效性和实用性.

压缩包包含数据和代码，代码有详细的算法分析过程。算法使用的是c5.0决策树模型。分析过程重在建模和模型提升。

使用RRT算法的机器人路径规划 使用快速探索的随机树算法，在具有多个障碍的室内机房中进行机器人路径规划。 如何运行。 安装python3 安装numpy和matplotlib软件包 点安装numpy pip安装matplotlib Git克隆此仓库或下载 转到仓库目录 打开终端/ cmd python rrt_pathplanning.py 享受！

c5.0决策树算法，源代码可以运行，你要好好看看说明文件怎么运行。使用命令行。而且要有训练集。

泰坦尼克决策树csv文件

基于C4.5的决策树算法，一种非线性分类器。matlab代码，用于学习用

ID3决策树算法实现代码ID3决策树算法实现代码