决策树应用拓展及算法

利用不同的算法构建决策树，其中有基于信息增益的ID3、基于信息增益率的C4.5、以及二叉分类（回归）树，最后文档简单介绍了树剪枝的优缺点

采用10次10折交叉验证，测试集平均准确率为95%左右绘有决策树图

matlab语言实验的决策树代码，有信息增益和信息增益率两种方式

该文献为理论研究，只要介绍决策树的建树算法和剪枝算法！

决策树的MATLAB实现，并且有使用说明，欢迎下载

总结了决策树归纳的基础知识和相关的扩展内容

1.分类决策树模型是表示基于特征对实例进行分类的树形结构。决策树可以转换成一个if-then规则的集合,也可以看作是定义在特征空间划分上的类的条件概率分布。 2.决策树学习旨在构建一个与训练数据拟合很

它利用了概率论的原理，并且利用一种树形图作为分析工具。其基本原理是用决策点代表决策问题，用方案分枝代表可供选择的方案，用概率分枝代表方案可能出现的各种结果，经过对各种方案在各种结果条件下损益值的计算比

决策树的认识和理解！让更多的人认识人工智能

麦子学院的决策树源码，标上了我锁理解的注释，下载即能运行。