决策树二分类matlab代码这是用于使用决策森林框架[1]（在下文中称为Sherwood）进行分类的MATLAB包装器。 培训和分类是并行的。 入门 需要MATLAB和c ++编译器。 根据Sherwood的许可，您必须下载并将其放在/ Sherwood /中。 使用“ mex -setup”设置MATLAB。 example.m中提供了一个示例 所有文件都会自动编译 该代码已经过测试 在Ubuntu 13.10上具有GCC 4.8的MATLAB 2013a。 Windows 7上具有Visual Studio 2013的MATLAB 2013a 局限性 如果使用不支持OpenMP的c ++编译器，则需要通过在sherwood_train.m中设置“ use_openmp = false”来关闭多线程训练。 遗憾的是，Mathworks for Windows建议的c ++编译器不支持OpenMP。 但是，Visual Studio支持它。 备择方案 对于MATLAB [2,3]，至少有两种流行的随机森林实现。 与舍伍德的主要区别是 没有套袋，因此不会出现袋外错误等。 叶子中的概率存储

这玩意是我花钱买的，还就是一部分

国民经济行业分类（GB/T 4754—2017）已于2017年10月1日实施，新版行业分类共有20个门类、97个大类、473个中类、1380个小类。与2011年版比较，直接导入数据库即可使用。门类没有变化，大类增加了1个，中类增加了41个，小类增加了286个。其中，为体现新产业、新业态、新商业模式，主要增加以下行业类别：“种子种苗培育活动、畜牧良种繁殖活动、畜禽粪污处理活动……”。

python决策分类树的代码以及所使用的数据集，代码是自己的实现的，并且可以自动生成决策树。11111

神经网络实现分类matlab代码LRP_Image_Classification 逐层相关性传播 (LRP) 算法通过使用学习模型本身的拓扑将相关性分数归因于输入的重要组成部分来解释特定于给定数据点的分类器的预测。 LRP 工具箱为支持 Matlab 和 python 的人工神经网络提供了简单且可访问的 LRP 独立实现。 工具箱实现了 Caffe 深度学习框架的 LRP 功能，作为 10/2015 发布的 Caffe 源代码的扩展。 Matlab 和 python 的实现旨在作为沙箱或游乐场，让用户熟悉 LRP 算法，因此在实现时考虑了可读性和透明度。 可以使用原始文本格式、Matlab 的 .mat 文件和 python/numpy 的 .npy 格式导入和导出模型和数据。 查看运行中的 LRP 工具箱要在浏览器中试用基于 python 的 MNIST 演示或基于 Caffe 的 ImageNet 演示，请单击相应的面板： MNIST 图像 文本 基于神经网络的简单 LRP 演示，可预测手写数字并使用 MNIST 数据集进行训练。 基于使用 Caffe 实现的神经网络的更复杂的 L

GB13745-2009学科分类与代码.pdf

根据随机森林的原理实现的matlab代码，里面有非常详细的注释，几乎每行都有，针对分类问题，可以运行，可以根据需要，修改到自己的算法中。

找了很久才找到的，卫生部在2012年2月2日发布的全套ICD-10以及卫生部的文件 专为科研狗整理

新版2006基础地理信息要素分类与代码表

通过matlab实现了最近邻分类算法