ID3算法实验

最新推荐文章于 2024-08-20 21:04:48 发布
最新推荐文章于 2024-08-20 21:04:48 发布
阅读量1.6k 收藏 4
点赞数
分类专栏： 机器学习 文章标签： ID3 机器学习

一、实验目的：

理解ID3算法的基本原理，并且编程实现。

二、实验要求：

使用C/C++/MATLAB实现ID3算法。

输入：

若干行，每行 5 个字符串，表示

Outlook    Temperature    Humidity   Wind    Play ball

如上表。

输出：

决策树。

 

实验结果如下：

输入：

 Sunny       Hot    High          Weak    No

 Sunny       Hot    High          Strong    No

 Overcast     Hot    High          Weak    Yes

 Rain        Mild    High          Weak    Yes

 Rain       Cool     Normal        Weak   Yes

 Rain       Cool     Normal        Strong    No

 Overcast    Cool     Normal        Strong    Yes

 Sunny       Mild    High          Weak    No

 Sunny       Cool    Normal        Weak   Yes

 Rain        Mild     Normal        Weak   Yes

 Sunny        Mild   Normal        Strong    Yes

 Overcast    Mild     High          Strong    Yes

 Overcast    Hot     Normal         Weak   Yes

 Rain       Mild     High          Strong    No

 

输出：

Outlook

                Rain            Wind

                                               Strong          No 

                                               Weak            Yes

                Overcast        Yes

                Sunny           Humidity

                                               Normal          Yes

                                               High            No 

三、具体实现：

实现算法如下：

#include <iostream>

#include <fstream>

#include <math.h>

#include <string>

using namespace std;

 

#define ROW 14

#define COL 5

#define log2 0.69314718055

 

typedef struct TNode

{

  char data[15];

  charweight[15];

  TNode *firstchild,*nextsibling;

}*tree;

 

typedef struct LNode

{

  char  OutLook[15];

  char  Temperature[15];

  char  Humidity[15];

  char  Wind[15];

  char  PlayTennis[5];

 

  LNode *next;

}*link;

typedef struct AttrNode

{

  char   attributes[15];//属性

  int        attr_Num;//属性的个数

 

  AttrNode*next;

}*Attributes;

 

char * Examples[ROW][COL] ={//"OverCast","Cool","High","Strong","No",

          //      "Rain","Hot","Normal","Strong","Yes",

           "Sunny","Hot","High","Weak","No",

             "Sunny","Hot","High","Strong","No",

             "OverCast","Hot","High","Weak","Yes",

             "Rain","Mild","High","Weak","Yes",

           "Rain","Cool","Normal","Weak","Yes",

           "Rain","Cool","Normal","Strong","No",

           "OverCast","Cool","Normal","Strong","Yes",

           "Sunny","Mild","High","Weak","No",

           "Sunny","Cool","Normal","Weak","Yes",

           "Rain","Mild","Normal","Weak","Yes",

           "Sunny","Mild","Normal","Strong","Yes",

           "OverCast","Mild","Normal","Strong","Yes",

           "OverCast","Hot","Normal","Weak","Yes",

           "Rain","Mild","High","Strong","No"

            };

char * Attributes_kind[4] ={"OutLook","Temperature","Humidity","Wind"};

int      Attr_kind[4] = {3,3,2,2};

 

char * OutLook_kind[3] ={"Sunny","OverCast","Rain"};

char * Temperature_kind[3] ={"Hot","Mild","Cool"};

char * Humidity_kind[2] ={"High","Normal"};

char * Wind_kind[2] ={"Weak","Strong"};

 

/*int i_Exampple[14][5] = {0,0,0,0,1,

           0,0,0,1,1,

            1,0,0,1,0,

           2,1,0,0,0,

           2,2,1,0,0,

           2,2,1,1,1,

           1,2,1,1,0,

           0,1,0,0,1,

           0,2,1,0,0,

           2,1,1,0,0,

           0,1,1,1,0,

           1,1,1,1,0,

           1,1,1,0,0,

           2,1,0,0,1

            };*/

void treelists(tree T);

void InitAttr(Attributes &attr_link,char *Attributes_kind[],int Attr_kind[]);

void InitLink(link &L,char * Examples[][COL]);

void ID3(tree &T,link L,linkTarget_Attr,Attributes attr);

void PN_Num(link L,int &positve,int&negative);

double Gain(int positive,int negative,char *atrribute,link L,Attributes attr_L);

 

void main()

{

  link LL,p;

  Attributesattr_L,q;

 

  tree T;

  T = new TNode;

 T->firstchild = T->nextsibling = NULL;

 strcpy(T->weight,"");

  strcpy(T->data,"");

 

  attr_L = newAttrNode;

 attr_L->next = NULL;

 

  LL = newLNode;

  LL->next =NULL;

 

  //成功建立两个链表

 InitLink(LL,Examples);

 InitAttr(attr_L,Attributes_kind,Attr_kind);

 

 ID3(T,LL,NULL,attr_L);

 

 cout<<"决策树以广义表形式输出如下："<<endl;

 treelists(T);//以广义表的形式输出树

//     cout<<Gain(9,5,"OutLook",LL,attr_L)<<endl;

 

 cout<<endl;

}

 

//以广义表的形式输出树

void treelists(tree T)

{

  tree p;

 

  if(!T)

    return;

 cout<<"{"<<T->weight<<"}";

 cout<<T->data;

 

  p =T->firstchild;

  if (p)

  {

   cout<<"(";

    while (p)

    {

     treelists(p);

      p =p->nextsibling;

      if(p)cout<<',';

    }

   cout<<")";

  }

}

void InitAttr(Attributes &attr_link,char *Attributes_kind[],int Attr_kind[])

{

  Attributes p;

 

  for (int i=0;i < 4;i++)

  {

    p = newAttrNode;

    p->next =NULL;

   

   strcpy(p->attributes,Attributes_kind[i]);

   p->attr_Num = Attr_kind[i];

 

    p->next = attr_link->next;

   attr_link->next = p;

  }

}

void InitLink(link &LL,char * Examples[][COL])

{

  link p;     

 

  for (int i =0;i < ROW;i++)

  {

    p = newLNode;

    p->next =NULL;

 

   strcpy(p->OutLook,Examples[i][0]);

   strcpy(p->Temperature,Examples[i][1]);

   strcpy(p->Humidity,Examples[i][2]);

   strcpy(p->Wind,Examples[i][3]);

   strcpy(p->PlayTennis,Examples[i][4]);

 

    p->next =LL->next;

    LL->next= p;   

  }

}

void PN_Num(link L,int &positve,int &negative)

{

  positve = 0;

  negative = 0;

  link p;

 

  p =L->next;

  while (p)

  {

    if(strcmp(p->PlayTennis,"No") == 0)

     negative++;

    elseif(strcmp(p->PlayTennis,"Yes") == 0)

      positve++;

 

    p =p->next;

  }       

}

 

//计算信息增益

//link L: 样本集合S

//attr_L：属性集合

double Gain(int positive,int negative,char *atrribute,link L,Attributes attr_L)

{

  intatrr_kinds;//每个属性中的值的个数

 

  Attributes p =attr_L->next;

  link q =L->next;

 

  int attr_th =0;//第几个属性

  while (p)

  {

    if(strcmp(p->attributes,atrribute) == 0)

    {

      atrr_kinds= p->attr_Num;       

      break;

    }

    p =p->next;

    attr_th++;

  }

 

  doubleentropy,gain=0;

 

  double p1 =1.0*positive/(positive + negative);

  double p2 =1.0*negative/(positive + negative);

 

  entropy =-p1*log(p1)/log2 - p2*log(p2)/log2;//集合熵

  gain =entropy;

 

  //获取每个属性值在训练样本中出现的个数

  //获取每个属性值所对应的正例和反例的个数

 

  //声明一个3*atrr_kinds的数组

  int ** kinds=new int * [3];

  for (int j=0;j < 3;j++)

  {

    kinds[j] =new int[atrr_kinds];//保存每个属性值在训练样本中出现的个数

  }

 

  //初始化

  for (int j =0;j< 3;j++)

  {

    for (int i=0;i < atrr_kinds;i++)

    {

     kinds[j][i] = 0;

    }

  }

  while (q)

  {

    if(strcmp("OutLook",atrribute) == 0)

    {

      for (int i= 0;i < atrr_kinds;i++)

      {

       if(strcmp(q->OutLook,OutLook_kind[i]) == 0)

        {

          kinds[0][i]++;

 

         if(strcmp(q->PlayTennis,"Yes") == 0)

           kinds[1][i]++;

          else

           kinds[2][i]++;

        }

      }

    }

    else if(strcmp("Temperature",atrribute) == 0)

    {

      for (int i= 0;i < atrr_kinds;i++)

      {

       if(strcmp(q->Temperature,Temperature_kind[i]) == 0)

        {

         kinds[0][i]++;

 

         if(strcmp(q->PlayTennis,"Yes") == 0)

           kinds[1][i]++;

          else

           kinds[2][i]++;

        }

      }

    }

    else if(strcmp("Humidity",atrribute) == 0)

    {

      for (int i= 0;i < atrr_kinds;i++)

      {

       if(strcmp(q->Humidity,Humidity_kind[i]) == 0)

        {

         kinds[0][i]++;

 

         if(strcmp(q->PlayTennis,"Yes") == 0)

           kinds[1][i]++;//

          else

           kinds[2][i]++;

        }

      }

    }

    else if(strcmp("Wind",atrribute) == 0)

    {

      for (int i= 0;i < atrr_kinds;i++)

      {

       if(strcmp(q->Wind,Wind_kind[i]) == 0)

        {

         kinds[0][i]++;

 

         if(strcmp(q->PlayTennis,"Yes") == 0)

           kinds[1][i]++;

          else

           kinds[2][i]++;

        }

      }

    }

    q =q->next;

  }

 

  //计算信息增益

  double *gain_kind = new double[atrr_kinds];

  intpositive_kind = 0,negative_kind = 0;

 

  for (int j =0;j < atrr_kinds;j++)

  {

    if(kinds[0][j] != 0 && kinds[1][j] != 0 && kinds[2][j] != 0)

    {

      p1 =1.0*kinds[1][j]/kinds[0][j];

      p2 = 1.0*kinds[2][j]/kinds[0][j];

     

     gain_kind[j] = -p1*log(p1)/log2-p2*log(p2)/log2;

     

      gain =gain - (1.0*kinds[0][j]/(positive + negative))*gain_kind[j];

    }

    else

     gain_kind[j] = 0;

  }

  return gain;

}

 

//在ID3算法中的训练样本子集合与属性子集合的链表需要进行清空

void FreeLink(link &Link)

{

  link p,q;

 

  p =Link->next;

 

  Link->next= NULL;

  while (p)

  {

    q = p;

    p =p->next;

    free(q);

  }

}

void ID3(tree &T,link L,linkTarget_Attr,Attributes attr)

{

  Attributesp,max,attr_child,p1;

  linkq,link_child,q1;

  tree r,tree_p;

 

  int positive=0,negative =0;

 

 PN_Num(L,positive,negative);

 

  //初始化两个子集合

  attr_child =new AttrNode;

 attr_child->next = NULL;

 

  link_child =new LNode;

 link_child->next = NULL;

 

  if (positive== 0)//全是反例

  {

   strcpy(T->data,"No");

    return;

  }

  else if(negative == 0)//全是正例

  {

   strcpy(T->data,"Yes");

    return;

  }

 

  p =attr->next; //属性链表

 

  double gain,g= 0;

 

 /************************************************************************/

  /* 建立属性子集合与训练样本子集合有两个方案：

    一：在原来链表的基础上进行删除；

    二：另外申请空间进行存储子集合；

    采用第二种方法虽然浪费了空间，但也省了很多事情，避免了变量之间的应用混乱

  */

 /************************************************************************/

 

  if(p)

  {

    while (p)

    {

      gain =Gain(positive,negative,p->attributes,L,attr);

     cout<<p->attributes<<"  "<<gain<<endl;

      if(gain> g)

      {

        g =gain;

        max =p;//寻找信息增益最大的属性

      }

      p =p->next;

    }

   strcpy(T->data,max->attributes);//增加决策树的节点

   

   cout<<"信息增益最大的属性：max->attributes ="<<max->attributes<<endl<<endl;

    //下面开始建立决策树

 

    //创建属性子集合

    p =attr->next;

    while (p)

    {

      if(strcmp(p->attributes,max->attributes) != 0)

      {

        p1 = newAttrNode;

       strcpy(p1->attributes,p->attributes);

       p1->attr_Num = p->attr_Num;

       p1->next = NULL;

 

       p1->next = attr_child->next;

       attr_child->next = p1;          

      }

      p =p->next;

    }

   

    //需要区分出是哪一种属性

    //建立每一层的第一个节点

    if(strcmp("OutLook",max->attributes) == 0)

    {

      r = newTNode;

     r->firstchild = r->nextsibling = NULL;

     strcpy(r->weight,OutLook_kind[0]);

     T->firstchild = r;

      //获取与属性值相关的训练样例Example(vi),建立一个新的训练样本链表link_child

      q =L->next;

      while (q)

      {

        if(strcmp(q->OutLook,OutLook_kind[0]) == 0)

        {

          q1 =new LNode;

         strcpy(q1->OutLook,q->OutLook);

         strcpy(q1->Humidity,q->Humidity);

         strcpy(q1->Temperature,q->Temperature);

          strcpy(q1->Wind,q->Wind);

          strcpy(q1->PlayTennis,q->PlayTennis);

         q1->next = NULL;

         

         q1->next = link_child->next;

         link_child->next = q1;

        }

        q =q->next;

      }

    }

    else if(strcmp("Temperature",max->attributes) == 0)

    {

      r = newTNode;

     r->firstchild = r->nextsibling = NULL;

     strcpy(r->weight,Temperature_kind[0]);

     T->firstchild = r;

      //获取与属性值相关的训练样例Example(vi),建立一个新的训练样本链表link_child

      q =L->next;

      while (q)

      {

        if(strcmp(q->Temperature,Temperature_kind[0]) == 0)

        {

          q1 =new LNode;

         strcpy(q1->OutLook,q->OutLook);

         strcpy(q1->Humidity,q->Humidity);

         strcpy(q1->Temperature,q->Temperature);

          strcpy(q1->Wind,q->Wind);

          strcpy(q1->PlayTennis,q->PlayTennis);

         q1->next = NULL;

         

         q1->next = link_child->next;

         link_child->next = q1;

        }

        q =q->next;

      }

    }

    else if(strcmp("Humidity",max->attributes) == 0)

    {

      r = newTNode;

     r->firstchild = r->nextsibling = NULL;

     strcpy(r->weight,Humidity_kind[0]);

     T->firstchild = r;

      //获取与属性值相关的训练样例Example(vi),建立一个新的训练样本链表link_child

      q =L->next;

      while (q)

      {

        if(strcmp(q->Humidity,Humidity_kind[0]) == 0)

        {

          q1 =new LNode;

         strcpy(q1->OutLook,q->OutLook);

         strcpy(q1->Humidity,q->Humidity);

         strcpy(q1->Temperature,q->Temperature);

          strcpy(q1->Wind,q->Wind);

          strcpy(q1->PlayTennis,q->PlayTennis);

         q1->next = NULL;

         

         q1->next = link_child->next;

         link_child->next = q1;

        }

        q =q->next;

      }

    }

    else if(strcmp("Wind",max->attributes) == 0)

    {

      r = newTNode;

     r->firstchild = r->nextsibling = NULL;

     strcpy(r->weight,Wind_kind[0]);

 

     T->firstchild = r;

      //获取与属性值相关的训练样例Example(vi),建立一个新的训练样本链表link_child

      q =L->next;

      while (q)

      {

        if(strcmp(q->Wind,Wind_kind[0]) == 0)

        {

          q1 =new LNode;

         strcpy(q1->OutLook,q->OutLook);

         strcpy(q1->Humidity,q->Humidity);

         strcpy(q1->Temperature,q->Temperature);

          strcpy(q1->Wind,q->Wind);

          strcpy(q1->PlayTennis,q->PlayTennis);

          q1->next = NULL;

         

         q1->next = link_child->next;

         link_child->next = q1;

        }

        q =q->next;

      }

    }

 

    int p = 0,n= 0;

   PN_Num(link_child,p,n);

    if (p != 0&& n != 0)

    {

     ID3(T->firstchild,link_child,Target_Attr,attr_child);

     FreeLink(link_child);

    }

    else if(p ==0)

    {

     strcpy(T->firstchild->data,"No");

     FreeLink(link_child);

      //       strcpy(T->firstchild->data,q1->PlayTennis);//----此处应该需要修改----:)

    }

    else if(n ==0)

    {

     strcpy(T->firstchild->data,"Yes");

     FreeLink(link_child);

    }

 

    //建立每一层上的其他节点

    tree_p =T->firstchild;

    for (int i =1;i < max->attr_Num;i++)

    {

      //需要区分出是哪一种属性

      if(strcmp("OutLook",max->attributes) == 0)

      {

        r = newTNode;

       r->firstchild = r->nextsibling = NULL;

       strcpy(r->weight,OutLook_kind[i]);

       tree_p->nextsibling = r;

        //获取与属性值相关的训练样例Example(vi),建立一个新的训练样本链表link_child

        q =L->next;

        while(q)

        {

          if(strcmp(q->OutLook,OutLook_kind[i]) == 0)

          {

            q1 =new LNode;

           strcpy(q1->OutLook,q->OutLook);

           strcpy(q1->Humidity,q->Humidity);

           strcpy(q1->Temperature,q->Temperature);

            strcpy(q1->Wind,q->Wind);

            strcpy(q1->PlayTennis,q->PlayTennis);

           q1->next = NULL;

 

           q1->next = link_child->next;

           link_child->next = q1;

          }

          q =q->next;

        }

      }

      else if(strcmp("Temperature",max->attributes) == 0)

      {

        r = newTNode;

       r->firstchild = r->nextsibling = NULL;

       strcpy(r->weight,Temperature_kind[i]);

       tree_p->nextsibling = r;

        //获取与属性值相关的训练样例Example(vi),建立一个新的训练样本链表link_child

        q = L->next;

        while(q)

        {

          if(strcmp(q->Temperature,Temperature_kind[i]) == 0)

          {

            q1 =new LNode;

           strcpy(q1->OutLook,q->OutLook);

           strcpy(q1->Humidity,q->Humidity);

           strcpy(q1->Temperature,q->Temperature);

            strcpy(q1->Wind,q->Wind);

            strcpy(q1->PlayTennis,q->PlayTennis);

           q1->next = NULL;

           

           q1->next = link_child->next;

           link_child->next = q1;

          }

          q = q->next;

        }

       

      }

      else if(strcmp("Humidity",max->attributes) == 0)

      {

        r = newTNode;

       r->firstchild = r->nextsibling = NULL;

       strcpy(r->weight,Humidity_kind[i]);

       tree_p->nextsibling = r;

        //获取与属性值相关的训练样例Example(vi),建立一个新的训练样本链表link_child

        q =L->next;

        while(q)

        {

          if(strcmp(q->Humidity,Humidity_kind[i]) == 0)

          {

            q1 =new LNode;

           strcpy(q1->OutLook,q->OutLook);

            strcpy(q1->Humidity,q->Humidity);

           strcpy(q1->Temperature,q->Temperature);

            strcpy(q1->Wind,q->Wind);

            strcpy(q1->PlayTennis,q->PlayTennis);

           q1->next = NULL;

           

           q1->next = link_child->next;

           link_child->next = q1;

          }

          q =q->next;

        }

      }

      else if(strcmp("Wind",max->attributes) == 0)

      {

        r = newTNode;

       r->firstchild = r->nextsibling = NULL;

       strcpy(r->weight,Wind_kind[i]);

       tree_p->nextsibling = r;

        //获取与属性值相关的训练样例Example(vi),建立一个新的训练样本链表link_child

        q =L->next;

        while(q)

        {

          if(strcmp(q->Wind,Wind_kind[i]) == 0)

          {

            q1 =new LNode;

           strcpy(q1->OutLook,q->OutLook);

           strcpy(q1->Humidity,q->Humidity);

           strcpy(q1->Temperature,q->Temperature);

            strcpy(q1->Wind,q->Wind);

            strcpy(q1->PlayTennis,q->PlayTennis);

           q1->next = NULL;

           

            q1->next = link_child->next;

           link_child->next = q1;

          }

          q =q->next;

        }

      }

      int p =0,n = 0;

     PN_Num(link_child,p,n);

      if (p != 0&& n != 0)

      {

       ID3(tree_p->nextsibling,link_child,Target_Attr,attr_child);

       FreeLink(link_child);

      }

      else if(p== 0)

      {

       strcpy(tree_p->nextsibling->data,"No");

       FreeLink(link_child);

      }

      else if(n== 0)

      {

       strcpy(tree_p->nextsibling->data,"Yes");

       FreeLink(link_child);

      }

 

      tree_p =tree_p->nextsibling;//建立所有的孩子结点

    }//建立决策树结束

  }

  else

  {

    q =L->next;

   strcpy(T->data,q->PlayTennis);

    return;//这个地方要赋以训练样本Example中最普遍的Target_attributes的值

  }

}

运行结果如下：


Mittenss
关注
专栏目录
ID3算法C++实现的试验报告
12-13
研一老师布置的作业，id3算法的C++实现，所以将试验报告共享。
决策树ID3算法实验_数据集car_databases
06-12
用python编写的决策树ID3算法，运用了Car-Evaluation的例子。BUG较少，综合了网上的优秀代码，并进一步形成自己的代码。代码基本有注释，风格良好，能够很快看懂。内含有比较规范的报告文档，包含所有流程图，说明图，以及文档风格绝对不错，无需更改，建议下载！ 该算法所测试的数据集如下（已经打包在内，并已经生成xls格式，方便直接使用）： 已知：UCI标准数据集Car-Evaluation，定义了汽车性价比的4 个类别； 求：用ID3算法建立Car-Evaluation的属性描述决策树 Car-Evaluation训练数据集文件： 1. car_databases.pdf 2. car_evalution-databases.pdf
ID3算法详解：构建决策树的利器
最新发布
2401_84670644的博客
08-20 1382
ID3算法概述 算法基础 信息熵 ​编辑 信息增益 ID3算法步骤 决策树 概念: 核心： 节点 1. 根节点 2. 非叶子节点 3. 叶子节点
ID3算法试验报告，是WORD格式，里面有程序运行的结果
11-27
ID3算法试验报告，是WORD格式，里面有程序运行的结果；里面程序比较详细，有很多中文注释！
决策树ID3算法实验报告广工（附源码java）
01-10
实验内容 已知：UCI标准数据集Car-Evaluation，定义了汽车性价比的4 个类别； 求：用ID3算法建立Car-Evaluation的属性描述决策树
ID3算法的实现
07-05
用ID3算法实现决策树，用vc++6.0编写的
ID3算法实验报告.pdf
03-09
本实验报告详细分析并实现了ID3算法。 首先，信息熵是衡量数据纯度或不确定性的度量。在熵的计算中，若事件A的概率划分是(A1, A2, ..., An)，各部分发生的概率分别为(p1, p2, ..., pn)，则信息熵H(A)定义为： \[ H...
ID3算法实验报告.docx
03-09
在这个实验报告中，我们通过一个具体的气象数据分析案例来了解ID3算法的工作原理。 首先，信息熵是用来衡量数据不确定性的一个度量。对于事件A的全概率划分（A1, A2, ..., An），其概率分别为(p1, p2, ..., pn)，...
id3算法实验报告范文.docx
03-09
以下是对ID3算法及其实验实现的详细说明： 一、ID3算法原理 决策树是一种监督学习模型，通过一系列的特征测试将数据集划分为不同的类别。在ID3算法中，数据集被分割成多个子集，每个子集对应于树的一个分支，最终...
id3算法实验报告范文.pdf
03-09
以下是对ID3算法及其实验实现的详细说明： 一、ID3算法原理 1. **决策树**：决策树是由节点和边构成的树形结构，其中每个内部节点代表一个属性测试，每个分支代表一个测试输出，而叶节点代表一个类别。决策树的...
作业1：ID3 算法实验报告
diligent_lee的博客
03-23 5182
作业1：ID3 算法实验报告 1. 算法介绍 信息增益：特征 A 对训练数据集 D 的信息增益 g(D, A)，定义为集合 D 的经验熵 H(D) 与特征 A 给定条件下 D 的讲演条件熵 H(D|A) 之差，即 g(D, A) = H(D) - H(D|A)。 ID3 算法的核心实在决策树各个节点上应用信息增益准则选择特征，递归地构建决策树。具体方法是：从根结点（root node）开始，对节点计算所有可能特征的信息增益，选择信息增益最大的特征作为结点的特征，由该特征的不同取值构建子结点；再对子结点
决策树算法ID3的代码实验，编译后可直接使用的ID3代码
09-22
决策树算法ID3的代码实验，编译后可直接使用的ID3代码，欢迎下载
机器学习试验报告包括id3 ＢＰ算法
12-23
机器学习试验报告包括id3 ＢＰ算法，主要是决策树算法和神经网络算法
ID3代码和测试数据集
06-26
ID3算法Python代码和数据集
ID3算法数据挖掘
10-29
ID3数据挖掘 C语言版本 网络下载来的
ID3算法及数据集2
09-05
ID3算法及蘑菇数据集，幼儿园数据集 ID3算法及蘑菇数据集，幼儿园数据集 ID3算法及蘑菇数据集，幼儿园数据集
id3与软件测试,ID3算法的实现
weixin_39675178的博客
07-25 93
##计算利用信息增益作为分类属性的ID3算法x'd', 'c', 'd', 'a', 'a', 'a', 'b', 'b'), byrow = F,ncol=3)#计算一列数据的信息熵CalculateEntropy1 function(data){temp table(data)temp temp[temp!=0]return(-sum(log2(temp/sum(temp))*(temp/su...
算法设计原则验证实验报告_ID3决策树算法的训练与测试
weixin_35385409的博客
12-25 808
我是通信与信息系统专业，但是研一下选了《机器学习》课程。课程有一个作业，是ID3决策树算法的训练与测试，但是网上的代码要不就是用Python写的，要不就是只有训练没有测试部分代码。好不容易在网上找到一份既有训练又有测试的代码，稍加修改，却耗费了几周时间。中途有好几次都不想调这个代码了，想了想，还是继续试一试吧。课程结束后，我将自己对这个代码的理解录制成了视频，放到B站上面，希望对学习ID3算法的同...
ID3算法
weixin_30782331的博客
12-05 135
ID3算法是决策树算法中的一种，决策树的具体教程可以看这里http://blog.csdn.net/ritchiewang/article/details/46008643 ID3算法的大致思路：从根节点开始，对接点计算所有可能的特征的信息增益，选择信息增益最大的特征作为结点的特征，由该特征的不同取值建立子结点；再对子结点递归地调用以上方法，构建决策树；直到所有特征的信...
优化ID3算法：数据挖掘决策树提升效能
数据挖掘决策树ID3算法优化是一篇由程健勇撰写的本科生论文，针对数据挖掘这一热门领域中的一个重要算法——ID3算法进行了深入研究。数据挖掘，作为知识发现的重要手段，通过从海量数据中提取有价值的信息，为决策...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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
实付元
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