搜索资源列表
c4.5
- 数据挖掘算法中，有关决策树算法c4.5的实现，c4.5是在ID3基础上实现的，有这比id3还好的功能
id3matlab
- Id3是最基础的决策树分类方法，是其他决策树分类方法的基础，这个是Id3分类方法的matlab 实现
DecisionTree
- C++编写的C4.5决策树程序，为数据挖掘基础算法。 网址为:http://www.cnblogs.com/michaelGD/archive/2012/11/14/2770758.html-C++ written C4.5 decision tree program, the foundation for the data mining algorithms. Site at: http://www.cnblogs.com/michaelGD/archive/2012/11/14/277
Decision-Tree
- 决策树是数据挖掘分类算法的一个重要方法。在各种分类算法中，决策树是最直观的一种。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。-A decision tree is an important method of data mining classification algorithms. In various classification algorithms, decision trees is the most in
rough-set-codes
- 这是天津大学胡清华老师在粗糙集邻域领域做的最经典的源码，同学们可以在此基础上学习和修改，入口程序已经写好，需要其他方法可以自己添加，MAIN.m是入口程序，参数的意思在子函数里讲的很明白，调用了featureselect_FW_fast.m用来属性约简，几个clsf_dpd文件是使用不同的距离公式来计算属性重要度，选择得到属性结果，使用crossvalidate.m十折交叉算法来计算计算算法精度，该段代码调用了几个分类器，C4_5.m是决策树，KNN.m是最近邻分类器，NEC.m是类似于KNN的
RandomForest
- 随机森林是由多棵树组成的分类或回归方法。主要思想来源于Bagging算法，Bagging技术思想主要是给定一弱分类器及训练集，让该学习算法训练多轮，每轮的训练集由原始训练集中有放回的随机抽取，大小一般跟原始训练集相当，这样依次训练多个弱分类器，最终的分类由这些弱分类器组合，对于分类问题一般采用多数投票法，对于回归问题一般采用简单平均法。随机森林在bagging的基础上，每个弱分类器都是决策树，决策树的生成过程中中，在属性的选择上增加了依一定概率选择属性，在这些属性中选择最佳属性及分割点，传统做法
decision-tree
- 决策树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。代码通过汽车性能案例分别建立决策树和回归树进行预测。-Decision tree is based on the known probability of occurrence of various situations, through the decision tree to obtain the expected value of net present v
decision tree
- 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。本代码提供生成决策树的算法。(A decision tree is a decision support tool that uses a tree-like graph or model of decisions and their possible consequences, including c
决策树
- 决 策 树 模 型决策树(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。(The decision tree (Decision Tree) is the basis of probability in the known situations, through the form of decision tree to calculate
决策树代码
- 基础决策树算法适合初学者第一次尝试r编程(simple decision tree)
神经网络入门13课源码
- 神经网络入门13课源码 第一课 MATLAB入门基础 第二课 MATLAB进阶与提高 第三课 BP神经网络 第四课 RBF、GRNN和PNN神经网络 第五课 竞争神经网络与SOM神经网络 第六课 支持向量机( Support Vector Machine, SVM ) 第七课 极限学习机( Extreme Learning Machine, ELM ) 第八课 决策树与随机森林 第九课 遗传算法( Genetic Algorithm, GA ) 第十课 粒子群优化( Part
机器学习之随机森林
- Bagging是并行式集成学习方法最著名的代表，Bagging通常对分类任务使用简单投票法，随机森林（RF）是Bagging的一个扩展变体，RF在以决策树为基学习器构建Bagging 集成的基础上，进一步在决策树的训练过程中引入了随机属性选择。在RF中，集成模型的每棵树构建时所需的样本都是由训练集经过有放回的随机抽样得来（即自助采样法bootstrap sample）。