搜索资源列表
treePlotter
- 决策树根据信息增益对数据进行分类，并且构造树的结构，输出结果易于理解-Decision tree based on information gain to classify the data, and construct the structure of the tree, the output result is easy to understand
C45-3
- 实现C4.53决策树算法，实现数据的分类(Implementation of C4.53 decision tree algorithm)
ID3
- id3决策树的MATLAB代码，可实现简单的数据分类(ID3 decision tree,it can achieve simple data classification)
id3
- 这个是ID3决策树算法的MATLAB代码，主要用于数据分类。(classification of data.)
IV值计算
- IV值的全称是information value，中文的就是信息量或信息值，其主要作用就是当我们在用决策树或逻辑回归构建分类模型时对变量进行筛选(The full name of IV value is information value. Chinese is information or information value. Its main function is to filter variables when we use decision tree or logistic regre
Random Forest
- 在机器学习中，随机森林是一个包含多个决策树的分类器， 并且其输出的类别是由个别树输出的类别的众数而定。 Leo Breiman和Adele Cutler发展出推论出随机森林的算法。 而 "Random Forests" 是他们的商标。 这个术语是1995年由贝尔实验室的Tin Kam Ho所提出的随机决策森林（random decision forests）而来的。这个方法则是结合 Breimans 的 "Bootstrap aggregating" 想法
rseslib-3.0.4-src
- 包含很多知名算法实现，支持向量机，决策树，粗糙集，贝叶斯分类器等，适合学术研究，短评论意见挖掘，文本分类等(It includes many well-known algorithm implementation, support vector machine, decision tree, rough set, Bias classifier, etc., which is suitable for academic research, short comment mining, text c
A01_fittree_csi_mt
- 有一个多分类的demo，运用决策树解决多分类问题，(Using decision tree to solve multi classification problem)
tree
- 分类决策树的核心思想就是在一个数据集中找到一个最优特征，然后从这个特征的选值中找一个最优候选值，根据这个最优候选值将数据集分为两个子数据集，然后递归上述操作，直到满足指定条件为止。附代码(The core idea of a classified decision tree is to find an optimal feature in a data set, and then find an optimal candidate value from the selected value of
RandomForest_matlab
- 随机森林是一个包含多个决策树的分类器，通过matlab实现实现随机森林算法(Matlab implementation of random forest algorithm)
机器学习Python程序
- 覆盖了基本常用的机器学习算法。包括线性回归与分类算法；决策树；多种降维算法；优化算法；强化学习等多类算法的Python代码。(It covers the commonly used machine learning algorithms. Including linear regression and classification algorithm; decision tree; a variety of dimensionality reduction algorithm; optimiza
adaboost
- 基于matlab平台的集成学习算法，基分类器为决策树的adaboost(An integrated learning algorithm based on MATLAB platform, the base classifier is AdaBoost of decision tre)
Random-Forests-Matlab-master (2)
- 要说随机森林，必须先讲决策树。决策树是一种基本的分类器，一般是将特征分为两类（决策树也可以用来回归，不过本文中暂且不表）。构建好的决策树呈树形结构，可以认为是if-then规则的集合，主要优点是模型具有可读性，分类速度快。(In machine learning, a random forest is a classifier that contains multiple decision trees, and its output category is determined by the m
常用ENVI功能扩展工具
- airbus_catalog_query-影像数据查询工具 ENVI_Menu_Finder ENVI批处理与代码生成器 EO-1 ALI Calibration EPOC.1242 Frame_Subset_via_Shapefile Google Earth Super-Overlay Tool (GEST) hyperion_tools Landsat8LST-地表温度反演 LIST.TXT MODIS MCD12Q1数据批处理工具 modis_conversion_toolkit NND
关于机器学习的十大经典算法
- C4.5算法是机器学习算法中的一种分类决策树算法,其核心算法是ID3算法.C4.5算法继承了ID3算法的优点，并在以下几方面对ID3算法进行了改进：1)用信息增益率来选择属性，克服了用信息增益选择属性时偏向选择取值多的属性的不足;
关于人工智能在数据质量管理中的应用
- 说实在的，这个概念有些过于高大上，从大的方面包括、、强化学习等等，而深度学习又包括图像识别、语音识别、自然语言处理、预测分析;机器学习则包括监督学习、无监督学习、半监督学习，监督学习又细分为回归、分类、决策树等等。理论上人工智能什么都能做，什么都能迎合的上。
Decision_tree-python
- 使用决策树（包括ID3,C45,CART）对数据做多分类预测。(Use Decision Tree to classify.)
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）。