 | BeslissingsboomEen pure-python-implementatie voor het construeren van een beslissingsboom van multidimensionale trainingsgegevens en f ... |
| Download nu | |
Beslissingsboom Rangschikking & Samenvatting
Advertentie
Beslissingsboom Tags
Beslissingsboom Beschrijving
Een pure-python-implementatie voor het construeren van een beslissingsboom van multidimensionale trainingsgegevens en voor het gebruik van de beslissingsboom voor het classificeren van niet-gelabelde gegevens Besispreun is een implementatie van Python-module voor het bouwen van een beslissingsboom uit multidimensionale trainingsgegevens en vervolgens met behulp van de beslissingsboom om toekomstige gegevens te classificeren. Assumeing U hebt uw trainingsgegevens in de vorm van een tabel in een tekstbestand georganiseerd, alles wat u hoeft te doen Om de naam van het trainingsgegevens te leveren aan deze module en het doet de rest voor u zonder veel moeite met uw deel. Een beslissingsbomenclassificator bestaat uit functietests die zijn gerangschikt in de vorm van een boom. U associeert met het rootknooppunt A-functietest waarvan wordt verwacht dat u de verschillende mogelijke klassenlabels voor een niet-gemerkte gegevensvector maximaal disambigueert. Je hangt dan aan het wortelknooppunt een set kinderknooppunten, één voor elke waarde van de functie die je hebt gekozen voor het rootknooppunt. Bij elk Kindknooppunt selecteert u nu een functietest die het meest klasse discriminerend is, gezien het feit dat u de functie-test bij het rootknooppunt al hebt toegepast en de waarde voor die functie hebt waargenomen. Dit proces wordt voortgezet totdat u de bladknopen van de boom bereikt. De bladknooppunten kunnen overeenkomen met de maximale diepte die gewenst is voor de beslissingstructuur of naar de behuizing wanneer u geen functies uitvoert om te testen. Typische gebruikssyntaxis: DT = Besluittree (TRAINING_DATAFILE = "TRAINING.DAT", Debug1 = 1) DT. Get_training_Data () Dt.Show_training_Data () root_node = dt.construct_decision_tree_classifier () root_node.display_decision_tree ("") test_sample = classificatie = dt.classify (root_node, test_sample) afdrukken "classificatie:", classificatie-eisen: · Python
Beslissingsboom Gerelateerde software
