Decision_tree-python 决策树分类（ID3，C4.5，CART） 三种算法的区别如下： (1) ID3算法以信息增益为准则来进行选择划分属性，选择信息增益最大的； (2) C4.5算法先从候选划分属性中找出信息增益高于平均水平的属性，再从中选择增益率最高的； (3) CART算法使用“基尼指数”来选择划分属性，选择基尼值最小的属性作为划分属性. 本次实验我的数据集如下所示： 共分为四个属性特征：年龄段，有工作，有自己的房子，信贷情况; 现根据这四种属性特征来决定是否给予贷款 为了方便，我对数据集进行如下处理： 在编写代码之前，我们先对数据集进行属性标注。 （0）年龄：0代表青年，1代表中年，2代表老年； （1）有工作：0代表否，1代表是； （2）有自己的房子：0代表否，1代表是； （3）信贷情况：0代表一般，1代表好，2代表非常好； （4）类别(是否给贷款)：no代表否，

ID3和C4.5决策树学习算法的实现 通过使用ID3和C4.5算法实现决策树并生成F1分数。 在UCI机器学习蘑菇数据集上进行测试 入门：将“ Project1_N01412075_Resubmission”文件夹下载到本地驱动器。 This folder has 1) Project1_Mushroom_DT_N01412075.py - A file that contains source code for the implementation. 2) Mushroom folder that has 10 smaller training files(used for cross validation), 1 larger training file (which is a concatenation of all the smaller files) and a final

代码简洁优美

决策树的ID3源码 是比较好的源程序

使用ID3决策树：先运行cut_data.py划分训练集和测试集。然后运行tree_main.py。 使用随机森林：运行forest.py即可。 注：，含有数据集，使用前要修改代码中数据集的路径。

ID3、ID4算法源码，可用于基础学习，当然我是决策另外一个人上传的资源分太高，特意下载后为大家共享。那个10分和我的1分是同样的内容。

数据挖掘方法决策树的实现，C++实现，附带训练和测试数据。

和声2 未维护 这个库的唯一目的是在当时的 github（它最初在 sourceforge 中）拥有这个惊人的库。 官方存储库是并且由该库的唯一作者维护。 ////////////////////////////////////////////////// /////////////// /// getID3() by James Heinrich // // 可在 // // 或 // ///////////// 获得///////////////////////////////////////////////// // // // // changelog.txt - getID3() 的一部分 // // 有关更多详细信息，请参阅 readme.txt // // /// /////////////// ///////////////////////////////////////////////// This code is released under the GNU GPL: http://www.gnu.org/copyleft/gpl.html +-----------

对于传统ID3算法的不足引进了信息增率对其做了改进，里面附有原有ID3的代码，报告中贴出了改进部分的代码

聚类算法1