C4.5 决策树算法对UCI wine数据集分类的实现(MATLAB)

 1、功能实现与样本分析

       在数据挖掘领域，可以利用相应的算法对数据集进行训练，即对样本的特征进行分析，从而归纳出相同类别的样本之间存在的内在特征联系，进一步对未知类别的样本进行预测，判断出该样本所属的类别。本文实现了利用决策树算法对UCI 机器学习库上的经典wine数据集进行分类的目的。

       为达到相应的分类目的，需要先对数据集样本进行分析。

表1 wine数据集样本特征

      不用化学成分的含量与酒的所属类别息息相关。表1列举了所选用的wine数据集的特征情况。整个数据集样本包含13个特征，例如Alcohol(酒精度)，Malic acid（苹果酸含量）等，这些特征的取值范围见表1所示。

表2 wine数据集部分样本表

属性 1	属性 2	属性 3	属性 4	属性 5	属性 6	属性 7	属性 8	属性 9	属性 10	属性 11	属性 12	属性 13	类别
14.23	1.71	2.43	15.6	127	2.8	3.06	.28	2.29	5.64	1.04	3.92	1065	1
13.2	1.78	2.14	11.2	100	2.65	2.76	.26	1.28	4.38	1.05	3.4	1050	1
13.16	2.36	2.67	18.6	101	2.8	3.24	.3	2.81	5.68	1.03	3.17	1185	1
14.37	1.95	2.5	16.8	113	3.85	3.49	.24	2.18	7.8	.86	3.45	1480	1
13.24	2.59	2.87	21	118	2.8	2.69	.39	1.82	4.32	1.04	2.93	735	1
14.2	1.76	2.45	15.2	112	3.27	3.39	.34	1.97	6.75	1.05	2.85	1450	1
14.39	1.87	2.45	14.6	96	2.5	2.52	.3	1.98	5.25	1.02	3.58	1290	1
12.37	.94	1.36	10.6	88	1.98	.57	.28	.42	1.95	1.05	1.82	520	2
12.33	1.1	2.28	16	101	2.05	1.09	.63	.41	3.27	1.25	1.67	680	2
12.64	1.36	2.02	16.8	100	2.02	1.41	.53	.62	5.75	.98	1.59	450	2
13.67	1.25	1.92	18	94	2.1	1.79	.32	.73	3.8	1.23	2.46	630	2
12.37	1.13	2.16	19	87	3.5	3.1	.19	1.87	4.45	1.22	2.87	420	2
12.17	1.45	2.53	19	104	1.89	1.75	.45	1.03	2.95	1.45	2.23	355	2
12.37	1.21	2.56	18.1	98	2.42	2.65	.37	2.08	4.6	1.19	2.3	678	2
12.86	1.35	2.32	18	122	1.51	1.25	.21	.94	4.1	.76	1.29	630	3
12.88	2.99	2.4	20	104	1.3	1.22	.24	.83	5.4	.74	1.42	530	3
12.81	2.31	2.4	24	98	1.15	1.09	.27	.83	5.7	.66	1.36	560	3
12.7	3.55	2.36	21.5	106	1.7