文件名称：Decision-Tree:使用ID3算法实现决策树
文件大小：593KB
文件格式：ZIP
更新时间：2024-07-26 19:41:56
Python
a) 您如何实现初始树（A 部分）以及为什么选择您的方法？ 为了实现决策树，我们使用了 ID3（迭代二分法 3）启发式。 训练阶段 - 构建决策树： 在 ID3 算法中，我们以原始属性集作为根节点开始。 在算法的每次迭代中，我们遍历剩余集合中每个未使用的属性并计算该属性的熵（或信息增益）。 然后，我们选择具有最小熵（或最大信息增益）值的属性。 然后剩余的属性集被选定的属性分割以生成数据的子集。 该算法继续在每个子集上递归，只考虑以前从未选择过的属性。 测试阶段：在运行时，我们将使用经过训练的决策树对新的未见过的测试用例进行分类，方法是使用此测试用例的值向下处理决策树，以到达告诉我们此测试用例属于哪个类的终端节点。 我选择这种方法是因为以下原因： 它通过选择最佳属性来在每次迭代中拆分数据集，从而使用贪婪方法。 在离散数据上运行非常快（在 3 到 4 分钟内运行）。 但是，
【文件预览】：
Decision-Tree-master
----tree.py(7KB)
----README.md(4KB)
----hw4-task1-data.tsv(4.79MB)
----result.txt(16B)