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。

支持向量机作为非参数方法已经广泛应用于信用评估领域.为克服其训练高维数据不能主动进行特征选择导致准确率下降的缺点，构建C4.5决策树优化支持向量机的信用评估模型.利用C4.5信息熵增益率方法进行属性选择，减少冗余属性.模型通过网格搜索确定最优参数，使用F-score和平均准确率评价模型性能，并在两组公开数据集上进行验证.实证分析表明，C4.5决策树优化支持向量机的信用评估模型有效减少了数据学习量，较于传统各类单一模型有较高的分类准确率和实用性.

基于C4.5算法的空间分类应用探究.doc

机器学习十大算法之一 C4.5算法 pdf 文档

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。

C4.5算法的源程序，通过该算法可以实现数据的分类，生成决策树

4

决策树 2015 年 5 月作者：张天和秦敬尧课程：机器学习，西北大学，伊利诺伊州埃文斯顿 我们在这个项目中实现了基于 C4.5 算法的决策树模型。 DecisionTree.py 是包含主要功能的执行文件，c45.py 包含 C4.5 和剪枝算法。 ##如何运行代码要运行程序，请以以下格式之一键入命令行： Format_1: python filename.csv(execute) train unpru filename.csv(train) ratio filename.csv(metadata) Format_2: python filename.csv(execute) train pru filename.csv(train) ratio filename.csv(metadata) filename.csv(validate) Format_3: python filenam

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

算法基本思想 算法基本步骤 算法的举例 算法信息增益率的计算