您好,欢迎光临本网站![请登录][注册会员]  

搜索资源列表

  1. 决策树C4.5算法,C语言写的,很好很强大

  2. c语言的决策树C4.5。数据挖掘中决策树是一种经常要用到的技术,可以用于分析数据,同样也可以用来作预测。决策树的分类模型,以其特有的优点广为人们采用。首先,决策树方法结构简单,便于人们理解;其次,决策树模型效率高,对训练集数据量较大的情况较为适合;第三.决策树方法通常不需要受训数据外的知识;第四,决策树方法具有较高的分类精确度。
  3. 所属分类:C

    • 发布日期:2009-06-02
    • 文件大小:489472
    • 提供者:happyfamilyy
  1. 决策树模型C5.0代码

  2. C5.0是决策树模型中的算法,79年由J R Quinlan发展,并提出了ID3算法,主要针对离散型属性数据,其后又不断的改进,形成C4.5,它在ID3基础上增加了队连续属性的离散化。 C5.0是C4.5应用于大数据集上的分类算法,主要在执行效率和内存使用方面进行了改进。 C4.5算法是ID3算法的修订版,采用GainRatio来加以改进方法,选取有最大GainRatio的分割变量作为准则,避免ID3算法过度配适的问题。
  3. 所属分类:其它

    • 发布日期:2012-12-06
    • 文件大小:132096
    • 提供者:baishikele_hw
  1. precision tree(逻辑数/决策树) 全英文版(用户手册)说明

  2. 原版英文 决策树 用户手册 决策树模型可在excel中使用
  3. 所属分类:管理软件

    • 发布日期:2013-03-15
    • 文件大小:4194304
    • 提供者:vivianzhang1125
  1. 决策树模型

  2. 看书时照着算法写的 ID3 Examples Target attribute Attributes Examples即训练样例集 Target attribute是这棵树要预测的目标属性 Attributes是除目标属性外供学习到的决策树测试的属性列表 返回能正确分类给定Examples的决策树
  3. 所属分类:C/C++

    • 发布日期:2014-02-26
    • 文件大小:7168
    • 提供者:u013798307
  1. 决策树模型英文版教程

  2. 决策树法作为一种决策技术,已被广泛地应用于企业的投资决策之中,它是随机决策模型中最常见、最普及的一种规策模式和方法此方法,有效地控制了决策带来的风险。所谓决策树法,就是运用树状图表示各决策的期望值,通过计算,最终优选出效益最大、成本最小的决策方法。决策树法属于风险型决策方法,不同于确定型决策方法,二者适用的条件也不同。
  3. 所属分类:其它

    • 发布日期:2014-03-19
    • 文件大小:489472
    • 提供者:u014231041
  1. 决策树算法

  2. 决策树算法通过数据样本集建立决策树模型,进而利用生成的模型对未知分类数据进行分类。目前对于决策树的研究已经有 40 多年的历史,这期间诞生了许许多多不同的算法。
  3. 所属分类:其它

    • 发布日期:2014-12-17
    • 文件大小:404480
    • 提供者:baidu_24565867
  1. 决策树模型在客户关系管理系统中的应用

  2. 如果能够争得所有客户的忠诚固然是最好的,但是随着客户的增多,就出现了两个不可 回避的问题。一是留住客户所需要付出的边际成本在迅速上升,使得花费了巨大精力留住的 客户带给企业的可能并不是利益而是负担;二是企业在一定时期内的资源是有限的,也就使 得同时完全满足所有客户的要求变得不可能。如何才能在众多客户中区分关键客户、普通客 户、垃圾客户并能及时发现那些忠诚度可能发生变化的客户并及时引导他们维持在有利于企 业的方向上就显得非常关键了。下面就对利用决策树模型分类客户进行些简单的探讨。
  3. 所属分类:专业指导

    • 发布日期:2015-01-11
    • 文件大小:350208
    • 提供者:mxw_superman
  1. 决策树代码

  2. 一) 需求和规格说明 (1) 决策树是通过一系列规则对数据进行分类的过程。它提供一种在什么条件下会得到什么值的类似规则的方法。它是一个从上到下、分而治之的归纳过程,是决策树的一个经典的构造算法。应用于很多预测的领域,如通过对信用卡客户数据构建分类模型,可预测下一个客户他是否属于优质客户。 (2) 分类是数据挖掘、机器学习和模式识别中一个重要的研究领域。数据分类是一个两步过程。第一步,使用已知类别标记的训练数据集建立一个分类模型。例如:图1是一个决策树模型。第二步,对未知标记的数据使用模型进行分
  3. 所属分类:C/C++

    • 发布日期:2015-08-18
    • 文件大小:16384
    • 提供者:qq_30681609
  1. 面向对象与决策树模型的辽西北地区沙化信息提取

  2. 以辽西北地区Landsat8卫星影像为数据基础,利用面向对象分类方法,对研究区域进行基于图斑的地物分类,引入修正型土壤调节植被指数(MSZVI)反演植被盖度,依据沙化分类体系构建决策树分类模型,对沙化土地分等定级.研究结果表明:采用面向对象分类与决策树模型相结合的方法,可以有效提取辽西北2015年沙化土地信息,精度达86.4%,为沙化防治和决策提供科学依据.
  3. 所属分类:其它

    • 发布日期:2020-04-26
    • 文件大小:868352
    • 提供者:weixin_38714162
  1. 利用决策树模型的湿地提取与分类

  2. 为解决因湿地环境复杂且类型多样导致光谱混淆而难以对其自动遥感提取的问题,采用决策树模型的湿地信息提取方法,以Landsat OLI影像光谱特征和经缨帽变换后的数据为基础,结合不同类型湿地的环境特征和空间特征信息,提出先分区再分类的思想,构建决策树分类模型.对原始影像进行缨帽变换,利用变换后的湿度分量及地物的光谱特征规律,将研究区划分为水体区域、植被区域和非植被区域,然后分别对各个区域进行再分类,逐层分级,最终实现不同类型湿地的分级提取.研究结果表明:采用分区分类思想构建决策树模型,可以有效提取湿
  3. 所属分类:其它

    • 发布日期:2020-04-26
    • 文件大小:1048576
    • 提供者:weixin_38655990
  1. 鸢尾花数据集决策树模型

  2. 我选用了一个经典数据集来展示如何构建一个决策树模型,这个数据集是——Iris 鸢尾花数据集。里面有我进行数据预处理,分析,优化参数,训练模型以及最终分析决策树的代码。
  3. 所属分类:机器学习

    • 发布日期:2020-03-11
    • 文件大小:5120
    • 提供者:csdn548364
  1. 隐形眼镜选择指标决策树模型.ipynb

  2. 选择隐形眼镜。公开数据,使用决策树模型,为顾客合适的选择隐形眼镜提供参考,同时可以为眼睛店店员提供建议,更加方便快捷,数据量较少,代码容易理解,可为入门学者锻炼
  3. 所属分类:讲义

    • 发布日期:2020-02-17
    • 文件大小:4096
    • 提供者:shx13
  1. 基于复杂解调方法和决策树模型的脑电睡眠主轴自动检测

  2. 睡眠纺锤体是脑电图(EEG)的特征波形,对临床诊断很重要。 在这项研究中,开发了一种自动睡眠主轴检测方法。 根据标准多导睡眠图(PSG)测量记录EEG信号。 引入了预处理程序以排除不必要的数据段并标准化必要的数据段。 采用复杂的解调方法来检测候选睡眠主轴波形并计算特征。 基于决策树模型识别睡眠纺锤。 最后,将检测到的睡眠纺锤体用于修正睡眠阶段识别结果。 分析了来自3名睡眠障碍患者的睡眠EEG数据。 获得的结果表明,在EEG信号中检测到的睡眠纺锤体提高了睡眠阶段识别的准确性。
  3. 所属分类:其它

    • 发布日期:2020-06-05
    • 文件大小:363520
    • 提供者:weixin_38656676
  1. GBDT决策树模型开发代码

  2. GBDT决策树模型开发代码,详细的说明见https://blog.csdn.net/iqdutao/article/details/107698851
  3. 所属分类:Python

    • 发布日期:2020-07-31
    • 文件大小:575488
    • 提供者:iqdutao
  1. 机器学习中的算法:决策树模型组合之GBDT

  2. 本文来自于csdn,本文从informationgain和决策树两个方面介绍了机器学习的算法,希望对您的学习有帮助。决策树这种算法有着很多良好的特性,比如说训练时间复杂度较低,预测的过程比较快速,模型容易展示(容易将得到的决策树做成图片展示出来)等。但是同时,单决策树又有一些不好的地方,比如说容易over-fitting,虽然有一些方法,如剪枝可以减少这种情况,但是还是不够的。模型组合(比如说有Boosting,Bagging等)与决策树相关的算法比较多,这些算法最终的结果是生成N(可能会有几百
  3. 所属分类:其它

    • 发布日期:2021-02-25
    • 文件大小:188416
    • 提供者:weixin_38582909
  1. 解释树:介绍培训材料带隙预测的决策树模型,然后使用TreeExplainer理解模型预测的简介-源码

  2. 可解释的材料机器学习 这是一组笔记本,旨在快速介绍一些构建和检查对材料设计有用的模型的方法。 第一个笔记本电脑classical-ml引入了许多方法,以使某些特征适合材料的带隙数据。 我们得出的最终模型很大程度上基于 第二个笔记本shapley_values_gbtree介绍的应用检查模式的特征是如何有助于成果。 并帮助理解所作的预测。 档案 data -包含训练模型所需的所有数据 models -如果您想直接跳至教程2,则包含一个预训练的决策树 notebooks -具有两个笔记本 envi
  3. 所属分类:其它

    • 发布日期:2021-02-18
    • 文件大小:1048576
    • 提供者:weixin_42122881
  1. 使用X射线图像预测肺炎:使用多层感知器,支持向量机,CNN和决策树模型从X射线图像预测和检测肺炎-源码

  2. 使用X射线图像预测肺炎 使用了多层感知器,支持向量机,CNN和决策树模型来预测和检测X射线图像中的肺炎。
  3. 所属分类:其它

    • 发布日期:2021-02-14
    • 文件大小:5120
    • 提供者:weixin_42131628
  1. 推荐者:基于RFM和决策树模型合并专家推荐系统。融合了RFM模型和决策树模型,结合专业运营人员的业务运营,发掘潜在用户,进行推荐营销召回-源码

  2. 推荐人 推荐模型简介 目标:有三款产品某企通,某赋通和某票,通过推荐提高用户群体从某企通和某票到某赋通产品的转化率。 数据情况:用户数据体量,某企通:某赋通:某票= 100:10:1 推荐算法选型:试验过当下十分流行的Item_CF和User_CF,产生的推荐效果并不理想,具体过程如下: -推荐模型:选择了RFM模型,决策树模型和专业运营人员的经验知识,具体的推荐架构如下: 购买某赋通的数学期望 核心思想:将某某通的用户通过Kmeans聚类进行分群,跑手肘法使分段数依次为2、3、4 ....
  3. 所属分类:其它

    • 发布日期:2021-02-05
    • 文件大小:1048576
    • 提供者:weixin_42125826
  1. 机器学习中的算法:决策树模型组合之GBDT

  2. 本文来自于csdn,本文从information gain和决策树两个方面介绍了机器学习的算法,希望对您的学习有帮助。决策树这种算法有着很多良好的特性,比如说训练时间复杂度较低,预测的过程比较快速,模型容易展示(容易将得到的决策树做成图片展示出来)等。但是同时,单决策树又有一些不好的地方,比如说容易over-fitting,虽然有一些方法,如剪枝可以减少这种情况,但是还是不够的。模型组合(比如说有Boosting,Bagging等)与决策树相关的算法比较多,这些算法最终的结果是生成N(可能会有几
  3. 所属分类:其它

    • 发布日期:2021-01-27
    • 文件大小:188416
    • 提供者:weixin_38628183
  1. 基于 jupyterlab的决策树模型,decision_tree.zip

  2. 基于 jupyterlab的决策树模型,decision_tree.zip
  3. 所属分类:其它

    • 发布日期:2021-01-20
    • 文件大小:286720
    • 提供者:yezonggang
« 12 3 4 5 6 7 8 9 10 ... 32 »