python实现决策树（C4.5算法），使用西瓜数据集，参考《机器学习》和统计学习方法实现决策树算法。

c语言的决策树C4.5。数据挖掘中决策树是一种经常要用到的技术，可以用于分析数据，同样也可以用来作预测。决策树的分类模型，以其特有的优点广为人们采用。首先，决策树方法结构简单，便于人们理解；其次，决策树模型效率高，对训练集数据量较大的情况较为适合；第三.决策树方法通常不需要受训数据外的知识；第四，决策树方法具有较高的分类精确度。

下面小编就为大家带来一篇python实现决策树C4.5算法详解(在ID3基础上改进)。小编觉得挺不错的，现在就分享给大家，也给大家做个参考。一起跟随小编过来看看吧

见 https://blog.csdn.net/Turm_Xsk/article/details/121431858

实现决策树C4.5算法，对数据进行训练，得到决策模型，并用以预测新数据，得到分类结果。

一、概论 C4.5主要是在ID3的基础上改进，ID3选择（属性）树节点是选择信息增益值最大的属性作为节点。而C4.5引入了新概念“信息增益率”,C4.5是选择信息增益率最大的属性作为树节点。 二、信息增益 以上公式是求信息增益率（ID3的知识点） 三、信息增益率 信息增益率是在求出信息增益值在除以。 例如下面公式为求属性为“outlook”的值： 四、C4.5的完整代码 from numpy import * from scipy import * from math import log import operator #计算给定数据的香浓熵： def calcShannonEnt(

本篇文章主要介绍了Python实现决策树C4.5算法的示例，详解的介绍了决策树C4.5算法的原理和实现代码，非常具有实用价值，需要的朋友可以参考下

决策树经典算法的例子分析和说明，具体解释决策树的经典算法

matlab_决策树C4.5算法源代码,支持matlab环境

本程序为VS2010编写，其中源程序中包含测试数据。