实例介绍
【实例简介】
ID3算法是决策树的鼻祖，最早于1986年由Quinlan提出，全称是Iterative Dichotomiser 3 [1]。在这篇课程报告中，我将对经典的ID3做出三次改进：1.把 info gain 改进为 gain ratio；2. 把简单投票的过程改进为朴素贝叶斯的方法；3. 将许多颗ID3决策树打造成随机森林。本人将在Weka平台进行二次开发，并且用Weka-Experiment做大量实验，和其它著名的算法进行比较，最后做出综述。项目的源代码开源在本人的GitHub主页上。
未来工作有以下几点: 是那么容易就可以随机出来的 1.在 Improvement Two中,3树的生长的深度限3.可以把这三种改进方法糅合在一起,看看三种 制在多少,可以进行进一步的研究 改进组合在一起,能不能产生性能更加的算法 2.在 Improvement Three中,本人费劲心思写出来4.上述所有方法都是基于属性为 nominal的数据 的“随机森林”,正确率反而比D3更差。虽然 集,可以进一步研究属性为 numerical,甚至是 很使我伤心,但是我在写代码、调试代码、还有 两者混合的数据集。 思考的过程中有了不少长进。看来随机森林不 L己ta3et (1 caitao.I(2) caita (3 caita (4 caita (5) trees (6)trees ca置,色va1 eatlon (100)B9.19|81.36*92.85V78.日9*94.43W93.40V weather. symbolic 100)79.00|56.50 7s.00 79. 57.50 6,50 {v!/*)|(0/1/1)(1/1/0(011/1)(1/1/0)(1/1/0 Re 1)caia。,工3"-2693678647096322561 2) CaILE。 gainRatio.工D311-2693678647096322561 (3 caitao naiveBayes. ID3-2693678647096322561 4)cata0 andomforest,ID31-2593678647096322561 {5) trees. NBTree"-4716005707058256086 6) trees. Randomforest"-10-4-51- depth101-2260823972777004705 图-7: Weka-experiment实验结果。总共6个算法,2个数据集。6个算法中(1是原始的1D3算法,后面(2)-(4) 是本人的改进算法,(5)和(6)是Weka平台自带的算法。 GitHub 较风趣;另一方面,蒋老师在我上机实习的过程过, 本次模式识别上机实刁的代码,全部公开在本人的回答了我不少疑惑,虽然这些疑惑对于蔣老师而言 GitHub主页上面,ur地址如下: 可能十分幼稚,但是依然完整解决了我的问题。 1. Improvement one: https://github.com/caitaozhan/id3improvements/tre REFERENCES /gain ratio 2. Improvement Two Jhttps://en.wikipedia.org/wiki/id3algorithm https://github.com/caitaozhan/id3_improvements/tre[2]决策树,蒋良孝的PPTChapter2-8 e/naive bayes [3] Data Mining Practica/ Machine Learning Tools and 3. Improvement thre Techniques--Chapter4.3 https://github.com/caitaozhan/id3improvements/tre[4贝叶斯分类,将良孝的PPTChapter3-15 e/random forest [5]http://archive.ics.uci.edu/ml/datasets/car+evaluation [6]https://en.wikipediaorg/wiki/random_subspace_method Acknowledgements 感谢蒋良孝老师对于我的指导。一方面,蒋老师上课 讲解十分到位,关键部位一点就通了,不仅如此还比 【实例截图】
【核心代码】
ID3算法是决策树的鼻祖，最早于1986年由Quinlan提出，全称是Iterative Dichotomiser 3 [1]。在这篇课程报告中，我将对经典的ID3做出三次改进：1.把 info gain 改进为 gain ratio；2. 把简单投票的过程改进为朴素贝叶斯的方法；3. 将许多颗ID3决策树打造成随机森林。本人将在Weka平台进行二次开发，并且用Weka-Experiment做大量实验，和其它著名的算法进行比较，最后做出综述。项目的源代码开源在本人的GitHub主页上。
未来工作有以下几点: 是那么容易就可以随机出来的 1.在 Improvement Two中,3树的生长的深度限3.可以把这三种改进方法糅合在一起,看看三种 制在多少,可以进行进一步的研究 改进组合在一起,能不能产生性能更加的算法 2.在 Improvement Three中,本人费劲心思写出来4.上述所有方法都是基于属性为 nominal的数据 的“随机森林”,正确率反而比D3更差。虽然 集,可以进一步研究属性为 numerical,甚至是 很使我伤心,但是我在写代码、调试代码、还有 两者混合的数据集。 思考的过程中有了不少长进。看来随机森林不 L己ta3et (1 caitao.I(2) caita (3 caita (4 caita (5) trees (6)trees ca置,色va1 eatlon (100)B9.19|81.36*92.85V78.日9*94.43W93.40V weather. symbolic 100)79.00|56.50 7s.00 79. 57.50 6,50 {v!/*)|(0/1/1)(1/1/0(011/1)(1/1/0)(1/1/0 Re 1)caia。,工3"-2693678647096322561 2) CaILE。 gainRatio.工D311-2693678647096322561 (3 caitao naiveBayes. ID3-2693678647096322561 4)cata0 andomforest,ID31-2593678647096322561 {5) trees. NBTree"-4716005707058256086 6) trees. Randomforest"-10-4-51- depth101-2260823972777004705 图-7: Weka-experiment实验结果。总共6个算法,2个数据集。6个算法中(1是原始的1D3算法,后面(2)-(4) 是本人的改进算法,(5)和(6)是Weka平台自带的算法。 GitHub 较风趣;另一方面,蒋老师在我上机实习的过程过, 本次模式识别上机实刁的代码,全部公开在本人的回答了我不少疑惑,虽然这些疑惑对于蔣老师而言 GitHub主页上面,ur地址如下: 可能十分幼稚,但是依然完整解决了我的问题。 1. Improvement one: https://github.com/caitaozhan/id3improvements/tre REFERENCES /gain ratio 2. Improvement Two Jhttps://en.wikipedia.org/wiki/id3algorithm https://github.com/caitaozhan/id3_improvements/tre[2]决策树,蒋良孝的PPTChapter2-8 e/naive bayes [3] Data Mining Practica/ Machine Learning Tools and 3. Improvement thre Techniques--Chapter4.3 https://github.com/caitaozhan/id3improvements/tre[4贝叶斯分类,将良孝的PPTChapter3-15 e/random forest [5]http://archive.ics.uci.edu/ml/datasets/car+evaluation [6]https://en.wikipediaorg/wiki/random_subspace_method Acknowledgements 感谢蒋良孝老师对于我的指导。一方面,蒋老师上课 讲解十分到位,关键部位一点就通了,不仅如此还比 【实例截图】
【核心代码】
标签：
好例子网口号：伸出你的我的手 — 分享！
小贴士
感谢您为本站写下的评论，您的评论对其它用户来说具有重要的参考价值，所以请认真填写。
- 类似“顶”、“沙发”之类没有营养的文字，对勤劳贡献的楼主来说是令人沮丧的反馈信息。
- 相信您也不想看到一排文字/表情墙，所以请不要反馈意义不大的重复字符，也请尽量不要纯表情的回复。
- 提问之前请再仔细看一遍楼主的说明，或许是您遗漏了。
- 请勿到处挖坑绊人、招贴广告。既占空间让人厌烦，又没人会搭理，于人于己都无利。
关于好例子网
本站旨在为广大IT学习爱好者提供一个非营利性互相学习交流分享平台。本站所有资源都可以被免费获取学习研究。本站资源来自网友分享，对搜索内容的合法性不具有预见性、识别性、控制性，仅供学习研究，请务必在下载后24小时内给予删除，不得用于其他任何用途，否则后果自负。基于互联网的特殊性，平台无法对用户传输的作品、信息、内容的权属或合法性、安全性、合规性、真实性、科学性、完整权、有效性等进行实质审查；无论平台是否已进行审查，用户均应自行承担因其传输的作品、信息、内容而可能或已经产生的侵权或权属纠纷等法律责任。本站所有资源不代表本站的观点或立场，基于网友分享，根据中国法律《信息网络传播权保护条例》第二十二与二十三条之规定，若资源存在侵权或相关问题请联系本站客服人员，点此联系我们。关于更多版权及免责申明参见 版权及免责申明
网友评论
我要评论