将一棵树的所有分支输出-递归的使用

import java.util.ArrayList;
import java.util.HashMap;
import java.util.List;
import java.util.Map;

/**
 * @author zhongzhilong
 * @date 2021-04-17
 * @description 将一棵树的所有分支输出
 */
public class TreeTest {

    public static void main(String[] args) {

        List<Map<String, Object>> childList1 = new ArrayList<>();
        Map<String, Object> map4 = new HashMap<>();
        map4.put("number", "d");
        childList1.add(map4);

        List<Map<String, Object>> childList = new ArrayList<>();
        Map<String, Object> map2 = new HashMap<>();
        map2.put("number", "b");
        map2.put("childList", childList1);
        childList.add(map2);
        Map<String, Object> map3 = new HashMap<>();
        map3.put("number", "c");
        map3.put("childList", childList1);
        childList.add(map3);
        Map<String, Object> map5 = new HashMap<>();
        map5.put("number", "c");
        childList.add(map5);

        List<Map<String, Object>> list = new ArrayList<>();
        Map<String, Object> map = new HashMap<>();
        map.put("number", "a");
        map.put("childList", childList);
        list.add(map);
        List<List<Map<String, Object>>> resultList = new ArrayList<>();
        for (Map<String, Object> tree : list) {
            List<Map<String, Object>> tempList = new ArrayList<>();
            selectLine(resultList, tempList, tree);
        }
        System.out.println("开始输出树的所有分支\n");
        resultList.forEach(e -> {
            List<Map<String, Object>> tempList = e;
            tempList.forEach(e2 -> {
                System.out.print(e2.get("number") + " ");
            });
            System.out.println("\n");
        });
    }

    public static void selectLine(List<List<Map<String, Object>>> list, List<Map<String, Object>> beforeList, Map<String, Object> tree) {
        beforeList.add(tree);
        if (tree.containsKey("childList")) {
            List<Map<String, Object>> childList = (List<Map<String, Object>>) tree.get("childList");
            if (childList.size() >= 2) {
                for (Map<String, Object> temp : childList) {
                    List<Map<String, Object>> tempList = new ArrayList<>();
                    for (Map<String, Object> before : beforeList) {
                        Map<String, Object> tempMap = new HashMap<>();
                        tempMap.put("number", before.get("number"));
                        tempMap.put("childList", before.get("childList"));
                        tempList.add(tempMap);
                    }
                    selectLine(list, tempList, temp);
                }
            } else {
                selectLine(list, beforeList, childList.get(0));
            }
        } else {
            list.add(beforeList);
        }

    }

}

  • 0
    点赞
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
决策是一种基于机器学习的算法,它通过构建一棵树状结构来进行分类或回归任务。ID3(Iterative Dichotomiser 3)算法是最早的决策生成算法之一,由R.A. Quinlan在1986年提出。下面是ID3算法构建决策的主要步骤: 1. **目标定义**:ID3算法的目标是选择一个最优的属性(特征),该属性能够最大化数据集的纯度划分。 2. **熵或信息增益计算**:ID3使用信息熵来度量数据集的不确定性,以及每个属性对减少这个不确定性的贡献。对于分类问题,通常使用信息增益(Entropy Gain);对于连续值,可以用基尼不纯度(Gini Impurity)代替。 3. **选择最佳属性**:选择信息增益或基尼不纯度最大的属性作为当前节点的分裂属性。 4. **递归分割**:根据选定的属性,将数据集分割成子集,然后对每个子集递归地应用ID3算法,直到所有数据属于同一类别或者满足停止条件。 5. **停止条件**:常见的停止条件包括达到最大深度、子集太小(如样本数小于某个阈值)或者没有可用的属性可以选择。 6. **创建决策节点**:当数据纯度达到一定程度或达到最大深度时,创建一个决策节点,其结果是根据选择的属性和子集的类别。 7. **输出决策**:最终形成一个从根到叶的决策模型,其中内部节点表示特征测试,分支表示可能的结果,叶子节点代表类别预测。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值