搜索资源列表
C4
- 特殊函数 1.г函数、贝塔函数、阶乘及二项式系数 2.不完全г函数、误差函数 3.不完全贝塔函数
C4.5-2
- 数据挖掘中的c4.5算法 给予决策树
bp
- BP神经网络的数据分类-语音特征信号分类1- 四个特征信号矩阵合成一个矩阵 data(1:500,:)=c1(1:500,:) data(501:1000,:)=c2(1:500,:) data(1001:1500,:)=c3(1:500,:) data(1501:2000,:)=c4(1:500,:) 从1到2000间随机排序 k=rand(1,2000) [m,n]=sort(k) 输入输出数据 input=data(:,2:
machine-learning-2
- 机器学习算法之C4.5与CART，经典的机器学习的外文资料，该资料描述详细，便于大家的学习。-The machine learning algorithm C4.5 and CART, the classical machine learning foreign language information, the information described in detail, easy to learn from everyone.
决策树与随机森林
- 给出对决策树与随机森林的认识。主要分析决策树的学习算法：信息增益和ID3、C4.5、CART树，然后给出随机森林。 决策树中，最重要的问题有3个: 1. 特征选择。即选择哪个特征作为某个节点的分类特征； 2. 特征值的选择。即选择好特征后怎么划分子树； 3. 决策树出现过拟合怎么办？ 下面分别就以上问题对决策树给出解释。决策树往往是递归的选择最优特征，并根据该特征对训练数据进行分割。(The understanding of decision tree and random