注册会员 | 设为首页 | 加入收藏夹
您好，欢迎光临本网站！[请登录] ！[注册会员]！  

搜索资源列表

  1. ID3，C4.5，Python

  2. 用python实现ID3，C4.5算法。基于决策树的数据挖掘算法。

  3. 所属分类：Python

    • 发布日期：2016-01-07
    • 文件大小：418kb
    • 提供者：sinat_15104757

  1. 决策树算法python代码实现

  2. 决策树(Decision Tree）是在已知各种情况发生概率的基础上，通过构成决策树来求取净现值的期望值大于等于零的概率，评价项目风险，判断其可行性的决策分析方法，是直观运用概率分析的一种图解法。由于这种决策分支画成图形很像一棵树的枝干，故称决策树。在机器学习中，决策树是一个预测模型，他代表的是对象属性与对象值之间的一种映射关系。Entropy = 系统的凌乱程度，使用算法ID3, C4.5和C5.0生成树算法使用熵。这一度量是基于信息学理论中熵的概念。 决策树是一种树形结构，其中每个内部节点

  3. 所属分类：机器学习

    • 发布日期：2018-06-01
    • 文件大小：4kb
    • 提供者：u010919410

  1. Python实现决策树

  2. 决策树的三种数据挖掘算法，使用了python实现可视化。

  3. 所属分类：Hadoop

    • 发布日期：2018-06-30
    • 文件大小：454kb
    • 提供者：csdnwxhw

  1. sklearn0.19中文文档

  2. sklearn0.19中文文档 PDF格式高清。 .1. 广义线性模型 1.1.1. 普通最小二乘法 1.1.1.1. 普通最小二乘法复杂度 1.1.2. 岭回归 1.1.2.1. 岭回归的复杂度 1.1.2.2. 设置正则化参数：广义交叉验证 1.1.3. Lasso 1.1.3.1. 设置正则化参数 1.1.3.1.1. 使用交叉验证 1.1.3.1.2. 基于信息标准的模型选择 1.1.3.1.3. 与 SVM 的正则化参数的比较 1.1.4. 多任务 Lasso 1.1.5. 弹性网络

  3. 所属分类：机器学习

    • 发布日期：2018-10-30
    • 文件大小：14mb
    • 提供者：hardpen2013

  1. C4.5决策树算法的Python代码和数据样本

  2. 资源中包含完整的C4.5决策树算法Python代码和测试数据，其中有4个文件：C45.py是算法的实现代码，treePlotter.py是绘制决策树代码，PlayData.txt是样本数据，C45test.py用来构建、绘制并测试决策树，您可以运行该文件来依次进行决策树的构建、剪枝、绘制树型图，并对测试样本进行分类。

  3. 所属分类：机器学习

    • 发布日期：2018-12-21
    • 文件大小：7kb
    • 提供者：leaf_zizi

  1. 决策树用Python实现.rar

  2. 使用Python写决策树算法（c4.5决策树），包括代码和源数据。代码量少，并且写好注释，清晰易懂。但是调了许多包没有用上，可适当删改。

  3. 所属分类：互联网

    • 发布日期：2020-04-25
    • 文件大小：33kb
    • 提供者：qq_33413128

  1. scikit-learn-0.21.3-中文文档.pdf

  2. scikit-learn 是基于 Python 语言的机器学习工具 简单高效的数据挖掘和数据分析工具 可供大家在各种环境中重复使用 建立在 NumPy ，SciPy 和 matplotlib 上 开源，可商业使用 - BSD许可证1.监督学习 1广义线性模型 °1.1.1普通最小二乘法 1.1.2岭回归 1.1.3LaSs0 o1.1.4多任务 Lasso 115弹性网络 o116多任务弹性网络 1.1.7最小角回归 1.1. 8 LARS Lasso 1.19正交匹配追踪法(OMP 1.1.1

  3. 所属分类：机器学习

    • 发布日期：2019-08-24
    • 文件大小：40mb
    • 提供者：h394266861

  1. python实现决策树C4.5算法详解(在ID3基础上改进)

  2. 下面小编就为大家带来一篇python实现决策树C4.5算法详解(在ID3基础上改进)。小编觉得挺不错的，现在就分享给大家，也给大家做个参考。一起跟随小编过来看看吧

  3. 所属分类：其它

    • 发布日期：2020-09-21
    • 文件大小：129kb
    • 提供者：weixin_38593823

  1. Python实现决策树C4.5算法的示例

  2. 本篇文章主要介绍了Python实现决策树C4.5算法的示例，详解的介绍了决策树C4.5算法的原理和实现代码，非常具有实用价值，需要的朋友可以参考下

  3. 所属分类：其它

    • 发布日期：2020-09-20
    • 文件大小：225kb
    • 提供者：weixin_38557935

  1. python实现C4.5决策树算法

  2. 主要为大家详细介绍了python实现C4.5决策树算法，具有一定的参考价值，感兴趣的小伙伴们可以参考一下

  3. 所属分类：其它

    • 发布日期：2020-09-20
    • 文件大小：85kb
    • 提供者：weixin_38726255

  1. python实现决策树C4.5算法详解(在ID3基础上改进)

  2. 一、概论 C4.5主要是在ID3的基础上改进，ID3选择（属性）树节点是选择信息增益值最大的属性作为节点。而C4.5引入了新概念“信息增益率”,C4.5是选择信息增益率最大的属性作为树节点。 二、信息增益 以上公式是求信息增益率（ID3的知识点） 三、信息增益率 信息增益率是在求出信息增益值在除以。 例如下面公式为求属性为“outlook”的值： 四、C4.5的完整代码 from numpy import * from scipy import * from math import lo

  3. 所属分类：其它

    • 发布日期：2020-12-24
    • 文件大小：131kb
    • 提供者：weixin_38509504

  1. python实现连续变量最优分箱详解–CART算法

  2. 关于变量分箱主要分为两大类：有监督型和无监督型 对应的分箱方法： A. 无监督：(1) 等宽 (2) 等频 (3) 聚类 B. 有监督：(1) 卡方分箱法(ChiMerge) (2) ID3、C4.5、CART等单变量决策树算法 (3) 信用评分建模的IV最大化分箱 等 本篇使用python，基于CART算法对连续变量进行最优分箱 由于CART是决策树分类算法，所以相当于是单变量决策树分类。 简单介绍下理论： CART是二叉树，每次仅进行二元分类，对于连续性变量，方法是依次计算相邻两元素值的中位

  3. 所属分类：其它

    • 发布日期：2021-01-02
    • 文件大小：58kb
    • 提供者：weixin_38749305

  1. Python实现决策树C4.5算法的示例

  2. 为什么要改进成C4.5算法 原理 C4.5算法是在ID3算法上的一种改进，它与ID3算法最大的区别就是特征选择上有所不同，一个是基于信息增益比，一个是基于信息增益。 之所以这样做是因为信息增益倾向于选择取值比较多的特征(特征越多，条件熵(特征划分后的类别变量的熵)越小，信息增益就越大)；因此在信息增益下面加一个分母，该分母是当前所选特征的熵，注意：这里而不是类别变量的熵了。 这样就构成了新的特征选择准则，叫做信息增益比。为什么加了这样一个分母就会消除ID3算法倾向于选择取值较多的特征呢？ 因为

  3. 所属分类：其它

    • 发布日期：2021-01-21
    • 文件大小：225kb
    • 提供者：weixin_38647517

  1. python实现C4.5决策树算法

  2. C4.5算法使用信息增益率来代替ID3的信息增益进行特征的选择，克服了信息增益选择特征时偏向于特征值个数较多的不足。信息增益率的定义如下： # -*- coding: utf-8 -*- from numpy import * import math import copy import cPickle as pickle class C45DTree(object): def __init__(self): # 构造方法 self.tree = {} # 生成树 self.d

  3. 所属分类：其它

    • 发布日期：2021-01-20
    • 文件大小：85kb
    • 提供者：weixin_38706782