本文主要介绍了基于信息增益的决策树构建方法,包括信息熵、基尼指数等重要概念的详细解释,以及决策树的生成过程和应用场景。同时,还对不同算法的优缺点进行了分析和比较,帮助读者更好地理解和掌握该算法。建议读者在学习本文之前掌握基本的机器学习概念,以便更加顺利地阅读和理解。
用户评论
推荐下载
-
决策树算法matlab
对于分类和回归两种 离散属性和连续属性的处理 缺失值的处理
28 2019-01-11 -
决策树算法实现
决策树源代码,C++实现
40 2019-01-11 -
决策树学习课件
讲述决策树的原理 举例讲决策树如何计算并生成
29 2019-01-11 -
决策树Java实现
使用java语言,ID3算法构建决策树,具有很好的分类效果
36 2019-01-20 -
决策树算法decisiontreelearnling
机器学习的作者的ppt,讲解decision tree learnling这一节的
41 2019-01-21 -
决策树与Adaboost
决策树是一种描述概念空间的有效的归纳推理办法。 基于决策树的学习方法可以进行不相关的多 概念学习,具有简单快捷的优势,已经在各 个领域取得广泛应用
40 2019-01-22 -
决策树回归算法
文档为pdf格式,对回归决策树的原理进行了详细叙述及举例说明,并包含python实现代码。
13 2020-07-16 -
模糊决策树论文
模糊决策树
14 2020-07-17 -
数据挖掘决策树
数据挖掘作业,决策树,安书上做的 ,有自己的写的图文并茂的word文档
39 2019-03-08 -
Python实现决策树
决策树的三种数据挖掘算法,使用了python实现可视化。
39 2019-05-16
暂无评论