決策樹程序?qū)嶒?閱讀頁
2024-08-24 02:51本頁面
【正文】 onTree { private Integer attrSelMode。暫未實現(xiàn)2 public DecisionTree(){ = 1。 } public void setAttrSelMode(Integer attrSelMode) { = attrSelMode。 String c = 。 for (int i = 0。 i++) { tuple = (i)。 if ((c)) { (c, (c) + 1)。 } } return classes。 int max = 1。 for(int i = 0。 i++) { entry = () ()。 Integer val = (Integer) ()。 maxC = key。 } /** * 構(gòu)造決策樹 * param datas 訓(xùn)練元組集合 * param attrList 候選屬性集合 * return 決策樹根結(jié)點 */ public TreeNode buildTree(ArrayListArrayListString datas, ArrayListString attrList){// (候選屬性列表： )。 i ()。// } ()。 (datas)。 MapString, Integer classes = classOfDatas(datas)。 if (() == 1 || () == 0) { (maxC)。 } Gain gain = new Gain(datas, attrList)。 ArrayListString rules = (datas, bestAttrIndex)。 ((bestAttrIndex))。 } for (int i = 0。 i++) { String rule = (i)。 for (int j = 0。 j++) { (j).remove(bestAttrIndex)。 (maxC)。 (attrList)。 } else { TreeNode newNode = buildTree(di, attrList)。 } } return node。import 。 */ //默認(rèn)除法運算精度 private static final int DEF_DIV_SCALE = 10。 * param v1 被加數(shù) * param v2 加數(shù) * return 兩個參數(shù)的和 */ public static double add(double v1,double v2){ BigDecimal b1 = new BigDecimal((v1))。 return (b2).doubleValue()。 * param v1 被減數(shù) * param v2 減數(shù) * return 兩個參數(shù)的差 */ public static double sub(double v1,double v2){ BigDecimal b1 = new BigDecimal((v1))。 return (b2).doubleValue()。 * param v1 被乘數(shù) * param v2 乘數(shù) * return 兩個參數(shù)的積 */ public static double mul(double v1,double v2){ BigDecimal b1 = new BigDecimal((v1))。 return (b2).doubleValue()。 * param v1 被除數(shù) * param v2 除數(shù) * return 兩個參數(shù)的商 */ public static double div(double v1,double v2){ return div(v1,v2,DEF_DIV_SCALE)。當(dāng)發(fā)生除不盡的情況時，由scale參數(shù)指 * 定精度，以后的數(shù)字四舍五入。 * return 兩個參數(shù)的商 */ public static double div(double v1,double v2,int scale){ if(scale0){ throw new IllegalArgumentException( The scale must be a positive integer or zero)。 BigDecimal b2 = new BigDecimal((v2))。 } /** * 提供精確的小數(shù)位四舍五入處理。 } BigDecimal b = new BigDecimal((v))。 return (one,scale,).doubleValue()。 return ()。 return ()。 return ()。 BigDecimal b2 = new BigDecimal(v2)。 } /** * 返回兩個數(shù)中小的一個值 * param v1 需要被對比的第一個數(shù) * param v2 需要被對比的第二個數(shù) * return 返回兩個數(shù)中小的一個值 */ public static double returnMin(double v1,double v2){ BigDecimal b1 = new BigDecimal(v1)。 return (b2).doubleValue()。 BigDecimal b2 = new BigDecimal(v2)。 } }測試三、模型評價基于決策樹的分類算法的一個最大的優(yōu)點就是她在學(xué)習(xí)過程中不需要使用者了解很多背景知識（這同時也是它的最大的缺點），只要訓(xùn)練例子能夠用屬性結(jié)論式表示出來，就能使用該算法來學(xué)習(xí)。因為每個有限離散值函數(shù)可被表示為某個決策樹，所以ID3算法避免了搜索不完整假設(shè)空間的一個主要風(fēng)險：假設(shè)空間可能不包含目標(biāo)函數(shù)。首先，學(xué)習(xí)到的決策樹要預(yù)測的目標(biāo)屬性必須是離散的，其次樹的決策結(jié)點的屬性也必須是離散的
物理相關(guān)推薦
鄂ICP備17016276號-1