wqisen's workspace

这个算法的精髓在于，虽然其每次用的决策树的构成方式相同，但是，其每次所用的训练元祖并不同，没经过一次训练，其元祖中的那些被预测错误的元祖的权重会加大，使得下次训练更容易被选中，这样的几次训练会比较均匀，使得对于易错元祖的预测比较好。在k=8时，得出的离散型属性的预测准确度为0.73，连续型为0.95。 下面是我的代码： /* * To change this template, choo

RandomForest算法，精髓之处在于在建立决策树的时候，在每个节点进行属性选取时，是随机地选取部分属性，从中进行最优属性的选取，而不是在全部的所有属性中进行选择。建立了决策树森林之后，每次都要对这些不同的决策树进行预测，选出其中被预测最多的那个类别来作为最终的预测类别。在有5棵决策树时，我得出的对于离散属性的预测准确度为0.73，对于连续属性的预测准确度为0.96. 下面是我的Random

这是我数据挖掘课的作业，也就是实现一个朴素贝叶斯算法。所用的训练数据集为加州大学计算机系提供的brest-canser.data和segment.data。我得出的朴素贝叶斯算法对于离散型属性的预测准确度为0.72，对于连续型属性的预测准确度为0.79。 代码如下： /* * To change this template, choose Tools | Templates * and

下面是我对该算法的实现： public class Kmeans { private int K; private int colsNum; private int rowsNum; private double[][] kMedians=null; private double[][]myFeatures=null; private HashMap map=new HashM