ID3 PYTHON实现,离散特征值

该博客详细介绍了如何用Python实现ID3决策树算法,包括计算熵、寻找最佳划分特征、创建决策树节点等步骤,并展示了如何读取数据、处理缺失值以及打印决策树的结构。
摘要由CSDN通过智能技术生成
from math import log

import numpy as np
import pandas as pd

gMinSubsetSize = 1

class ID3Node:
    def __init__(self,pType=None,pFeature=None,pData=None,pGain=None,pParent=None):
        self.type = pType
        self.data = pData
        self.splitFeature = pFeature
        self.gain = pGain
        self.parent = pParent
        self.childs = []

def calcEntropy(pDataset,pFeature):
    dataset = pd.DataFrame(pDataset)
    classInfo = dataset[pFeature].value_counts()
    '''
    classLabel = classLabel.drop_duplicates()
    totalSamples = dataset.shape[0]
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