搜索资源列表
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
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
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)
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）。