決策樹(shù)c45算法總結(jié)-展示頁(yè)
2025-01-20 19:39本頁(yè)面
【正文】 rainy,cool,normal,TRUE,no overcast,cool,normal,TRUE,yes sunny,mild,high,FALSE,no sunny,cool,normal,FALSE,yes rainy,mild,normal,FALSE,yes sunny,mild,normal,TRUE,yes overcast,mild,high,TRUE,yes overcast,hot,normal,FALSE,yes rainy,mild,high,TRUE,no outlook,temperature,humidity,windy,play sunny,85,85,FALSE,no sunny,80,90,TRUE,no overcast,83,86,FALSE,yes rainy,70,96,FALSE,yes rainy,68,80,FALSE,yes rainy,65,70,TRUE,no overcast,64,65,TRUE,yes sunny,72,95,FALSE,no sunny,69,70,FALSE,yes rainy,75,80,FALSE,yes sunny,75,70,TRUE,yes overcast,72,90,TRUE,yes overcast,81,75,FALSE,yes rainy,71,91,TRUE,no SPSS Clementine Weka J48 決策樹(shù)方法： 利用一定的訓(xùn)練樣本，從數(shù)據(jù)中學(xué)習(xí)出決策規(guī)則自動(dòng)構(gòu)造出決策樹(shù) 。 : 《 C4. 5: programs for machine learning》 JR Quinlan, 1993 分類 決策樹(shù)算法 ,其核心算法是 ID3算法 。算法的輸入是帶類標(biāo)的數(shù)據(jù)，輸出是樹(shù)形的決策規(guī)則。 ID3的 改進(jìn) : 1) 用信息增益率來(lái)選擇屬性，克服了用信息增益選擇屬性時(shí)偏向選擇取值多的屬性的不足； 2) 在樹(shù)構(gòu)造過(guò)程中進(jìn)行剪枝； 3) 能夠完成對(duì)連續(xù)屬性的離散化處理； 4) 能夠?qū)Σ煌暾麛?shù)據(jù)進(jìn)行處理。 缺點(diǎn)： 在構(gòu)造樹(shù)的過(guò)程中，需要對(duì)數(shù)據(jù)集進(jìn)行多次的順序掃描和排序，因而導(dǎo)致算法的低效。 BOAT算法（ 《 BOAToptimistic decision tree construction》 J Gehrke, V Ganti, R Ramakrishnan… SIGMOD …, 1999）使用抽樣、融合、完整掃描三步得到最終的分類器。其他基于二級(jí)存儲(chǔ)設(shè)備的算法還有 SLIQ（ 《 SLIQ: A fast scalable classifier for data mining》 M Mehta, R Agrawal, J Rissanen Advances in Database Technology— …, 1996 ）， SPRINT（ 《 SPRINT: A scalable parallel classi
外語(yǔ)相關(guān)推薦
鄂ICP備17016276號(hào)-1