该项目是通过。 可用脚本 在项目目录中,可以运行: yarn start 在开发模式下运行应用程序。 打开在浏览器中查看。 如果进行编辑,页面将重新加载。 您还将在控制台中看到任何棉绒错误。 yarn test 在交互式监视模式下启动测试运行程序。 有关更多信息,请参见关于的部分。 yarn build 构建生产到应用程序build文件夹。 它在生产模式下正确捆绑了React,并优化了构建以获得最佳性能。 最小化构建,文件名包含哈希。 您的应用已准备好进行部署! 有关更多信息,请参见有关的部分。 yarn eject 注意:这是单向操作。 eject ,您将无法返回! 如果您对构建工具和配置选择不满意,则可以随时eject 。 此命令将从项目中删除单个构建依赖项。 而是将所有配置文件和传递依赖项(webpack,Babel,ESLint等)直接复制到您的项目中,以便您完全
2024-02-08 23:36:08 354KB JavaScript
1
本项目基于C4.5决策树算法实现对莺尾花的分类识别。考虑到,花萼长度、花萼宽度、花瓣长度、花瓣宽度均为连续变量,所以需要进行离散化处理;这里通过Gini Index来进行离散化处理,考虑到此次分三类,且通过上面的可视化,三种花在4个属性上分布均存在较大差异,所以对花萼长度、花萼宽度、花瓣长度、花瓣宽度四个属性均采用两个分界点来分成三类。 max_depth = 2 训练集上的准确率:0.964 测试集上的准确率:0.895 max_depth = 3 训练集上的准确率:0.982 测试集上的准确率:0.974 max_depth = 4 训练集上的准确率:1.000 测试集上的准确率:0.974
2023-12-18 09:50:50 256KB 机器学习
1
使用决策树算法完成对西瓜数据集 3.0 的分类,根据西瓜的色泽、根蒂、敲 声、纹理、脐部、触感、密度、含糖率共 8 个属性特征来判断西瓜是否是一个好 瓜
2023-10-17 09:54:27 10KB 人工智能 决策树 数据集
1
python实现决策树(CART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。
2023-05-22 17:30:46 11KB python 机器学习
1
决策树代码实现,采用机器学习库来实现的,用来做学习用
2023-05-17 22:02:01 28KB 机器学习
1
本文介绍了使用C++实现决策树算法的方法,包括多叉树的实现,其中广义表和父指针表两种方法都被提到。此外,还使用了一些常见的C++库,如iostream、string、vector、map、algorithm和cmath。在实现过程中,需要注意输入每行的数据个数不超过5个。
2023-05-15 23:07:22 30KB 决策树算法
1
人工智能西瓜数据集——决策树
2023-05-08 09:27:17 802B 人工智能 决策树 数据仓库 算法
1
通过本次实验,我们进一步监督学习的基本知识,重点理解决策树的常见算法和改进策略,掌握决策树的基本实现方法,考虑决策树的实现细节,实现了基本的决策树模型并使用汽车模型和蘑菇模型对模型进行测试和可视化,测试效果较好。
2023-04-30 21:03:07 1.85MB 决策树、 机器学习
1
使用方法:运行main.py文件即可,或者命令行输入"python main.py"。
1
决策树——ID3算法1.信息熵2.信息增益3.西瓜数据集来构造决策树 用信息增益大小作为决策树属性选择划分的依据是ID3算法构造决策树的核心思想 1.信息熵 在讲信息增益之前就不得不提到信息熵,信息熵定义为: 其中: D —— 样本集合 Pk —— 第k类样本所占比例(k取1,2,…,|y|) 它是度量样本集合纯度最常用的指标,通常En(t)越小样本集合纯度越高。 2.信息增益 信息增益定义为: 其中: a —— 样本中的一个属性 D —— 样本集合 Dv ——实际属性值v对应的样本集合 V —— 属性a对应的实际属性值个数 v —— 某一个实际属性值计数 Ent(D) —— D的信息熵
2023-04-18 12:01:37 198KB id3算法 信息熵 决策树
1