- 浏览: 79052 次
- 性别:
- 来自: 拜月神教
最新评论
-
huangfenghit:
你绝对的大牛~
答复: 阿里巴巴面试感言 -
liuxuejin:
好!慢慢下载来看看
区间树 -
xiaobian:
看不懂,怎么知道是讲的好呢 ?
数据挖掘 决策树ID3算法原理 -
longay00:
不错,很牛,不过没有原理与实验很难相信它的正确性。从代码上看, ...
决策树C4.5算法 -
yangguo:
用我的study方法就可以了。
答复: java最优算法讨论
算了,还是自己修正一个BUG....
package graph; import java.util.ArrayList; import java.util.List; import java.util.TreeSet; /** * 决策树的ID3算法 * 参照实现http://www.blog.edu.cn/user2/huangbo929/archives/2006/1533249.shtml * * @author Leon.Chen * */ public class DTree { /** * 根节点 */ TreeNode root; /** * 可见性数组 */ private boolean[] visable; /** * 未找到节点 */ private static final int NO_FOUND = -1; /** * 训练集 */ private Object[] trainingArray; /** * 节点索引 */ private int nodeIndex; /** * @param args */ @SuppressWarnings("boxing") public static void main(String[] args) { Object[] array = new Object[] { new String[] { "男", "中年", "未婚", "大学", "中", "没购买" }, new String[] { "女", "中年", "未婚", "大学", "中", "购买" }, new String[] { "男", "中年", "已婚", "大学", "中", "购买" }, new String[] { "男", "老年", "已婚", "大学以下", "低", "购买" } }; DTree tree = new DTree(); tree.create(array, 5); System.out.println("===============END PRINT TREE==============="); String[] printData = new String[] { "女", "中年", "未婚", "大学", "中" }; System.out.println("===============DECISION RESULT==============="); tree.compare(printData, tree.root); } /** * 根据传入数据进行预测 * * @param printData * @param node */ public void compare(String[] printData, TreeNode node) { int index = getNodeIndex(node.nodeName); if (index == NO_FOUND) { System.out.println(node.nodeName); System.out.println((node.percent * 100) + "%"); } TreeNode[] childs = node.childNodes; for (int i = 0; i < childs.length; i++) { if (childs[i] != null) { if (childs[i].parentArrtibute.equals(printData[index])) { compare(printData, childs[i]); } } } } /** * 创建 * * @param array * @param index */ public void create(Object[] array, int index) { this.trainingArray = array; init(array, index); createDTree(array); printDTree(root); } /** * 得到最大信息增益 * * @param array * @return Object[] */ @SuppressWarnings("boxing") public Object[] getMaxGain(Object[] array) { Object[] result = new Object[2]; double gain = 0; int index = -1; for (int i = 0; i < visable.length; i++) { if (!visable[i]) { double value = gain(array, i); if (gain < value) { gain = value; index = i; } } } result[0] = gain; result[1] = index; if (index != -1) { visable[index] = true; } return result; } /** * 创建决策树 * * @param array */ public void createDTree(Object[] array) { Object[] maxgain = getMaxGain(array); if (root == null) { root = new TreeNode(); root.parent = null; root.parentArrtibute = null; root.arrtibutes = getArrtibutes(((Integer) maxgain[1]).intValue()); root.nodeName = getNodeName(((Integer) maxgain[1]).intValue()); root.childNodes = new TreeNode[root.arrtibutes.length]; insertTree(array, root); } } /** * 插入到决策树 * * @param array * @param parentNode */ public void insertTree(Object[] array, TreeNode parentNode) { String[] arrtibutes = parentNode.arrtibutes; for (int i = 0; i < arrtibutes.length; i++) { Object[] pickArray = pickUpAndCreateArray(array, arrtibutes[i], getNodeIndex(parentNode.nodeName)); Object[] info = getMaxGain(pickArray); double gain = ((Double) info[0]).doubleValue(); if (gain != 0) { int index = ((Integer) info[1]).intValue(); TreeNode currentNode = new TreeNode(); currentNode.parent = parentNode; currentNode.parentArrtibute = arrtibutes[i]; currentNode.arrtibutes = getArrtibutes(index); currentNode.nodeName = getNodeName(index); currentNode.childNodes = new TreeNode[currentNode.arrtibutes.length]; parentNode.childNodes[i] = currentNode; insertTree(pickArray, currentNode); } else { TreeNode leafNode = new TreeNode(); leafNode.parent = parentNode; leafNode.parentArrtibute = arrtibutes[i]; leafNode.arrtibutes = new String[0]; leafNode.nodeName = getLeafNodeName(pickArray); leafNode.childNodes = new TreeNode[0]; parentNode.childNodes[i] = leafNode; double percent = 0; String[] arrs = getArrtibutes(this.nodeIndex); for (int j = 0; j < arrs.length; j++) { if (leafNode.nodeName.equals(arrs[j])) { Object[] subo = pickUpAndCreateArray(pickArray, arrs[j], this.nodeIndex); Object[] o = pickUpAndCreateArray(this.trainingArray, arrs[j], this.nodeIndex); double subCount = subo.length; percent = subCount / o.length; } } leafNode.percent = percent; } } } /** * 打印决策树 * * @param node */ public void printDTree(TreeNode node) { System.out.println(node.nodeName); TreeNode[] childs = node.childNodes; for (int i = 0; i < childs.length; i++) { if (childs[i] != null) { System.out.println(childs[i].parentArrtibute); printDTree(childs[i]); } } } /** * 初始化 * * @param dataArray * @param index */ public void init(Object[] dataArray, int index) { this.nodeIndex = index; // 数据初始化 visable = new boolean[((String[]) dataArray[0]).length]; for (int i = 0; i < visable.length; i++) { if (i == index) { visable[i] = true; } else { visable[i] = false; } } } /** * 剪取数组 * * @param array * @param arrtibute * @param index * @return Object[] */ public Object[] pickUpAndCreateArray(Object[] array, String arrtibute, int index) { List<String[]> list = new ArrayList<String[]>(); for (int i = 0; i < array.length; i++) { String[] strs = (String[]) array[i]; if (strs[index].equals(arrtibute)) { list.add(strs); } } return list.toArray(); } /** * Entropy(S) * * @param array * @param index * @return double */ public double gain(Object[] array, int index) { String[] playBalls = getArrtibutes(this.nodeIndex); int[] counts = new int[playBalls.length]; for (int i = 0; i < counts.length; i++) { counts[i] = 0; } for (int i = 0; i < array.length; i++) { String[] strs = (String[]) array[i]; for (int j = 0; j < playBalls.length; j++) { if (strs[this.nodeIndex].equals(playBalls[j])) { counts[j]++; } } } /** * Entropy(S) = S -p(I) log2 p(I) */ double entropyS = 0; for (int i = 0; i < counts.length; i++) { entropyS += DTreeUtil.sigma(counts[i], array.length); } String[] arrtibutes = getArrtibutes(index); /** * total ((|Sv| / |S|) * Entropy(Sv)) */ double sv_total = 0; for (int i = 0; i < arrtibutes.length; i++) { sv_total += entropySv(array, index, arrtibutes[i], array.length); } return entropyS - sv_total; } /** * ((|Sv| / |S|) * Entropy(Sv)) * * @param array * @param index * @param arrtibute * @param allTotal * @return double */ public double entropySv(Object[] array, int index, String arrtibute, int allTotal) { String[] playBalls = getArrtibutes(this.nodeIndex); int[] counts = new int[playBalls.length]; for (int i = 0; i < counts.length; i++) { counts[i] = 0; } for (int i = 0; i < array.length; i++) { String[] strs = (String[]) array[i]; if (strs[index].equals(arrtibute)) { for (int k = 0; k < playBalls.length; k++) { if (strs[this.nodeIndex].equals(playBalls[k])) { counts[k]++; } } } } int total = 0; double entropySv = 0; for (int i = 0; i < counts.length; i++) { total += counts[i]; } for (int i = 0; i < counts.length; i++) { entropySv += DTreeUtil.sigma(counts[i], total); } return DTreeUtil.getPi(total, allTotal) * entropySv; } /** * 取得属性数组 * * @param index * @return String[] */ @SuppressWarnings("unchecked") public String[] getArrtibutes(int index) { TreeSet<String> set = new TreeSet<String>(new SequenceComparator()); for (int i = 0; i < trainingArray.length; i++) { String[] strs = (String[]) trainingArray[i]; set.add(strs[index]); } String[] result = new String[set.size()]; return set.toArray(result); } /** * 取得节点名 * * @param index * @return String */ public String getNodeName(int index) { String[] strs = new String[] { "性别", "年龄", "婚否", "学历", "中还是低", "是否购买" }; for (int i = 0; i < strs.length; i++) { if (i == index) { return strs[i]; } } return null; } /** * 取得页节点名 * * @param array * @return String */ public String getLeafNodeName(Object[] array) { if (array != null && array.length > 0) { String[] strs = (String[]) array[0]; return strs[nodeIndex]; } return null; } /** * 取得节点索引 * * @param name * @return int */ public int getNodeIndex(String name) { String[] strs = new String[] { "性别", "年龄", "婚否", "学历", "中还是低", "是否购买" }; for (int i = 0; i < strs.length; i++) { if (name.equals(strs[i])) { return i; } } return NO_FOUND; } } package graph; /** * @author Leon.Chen */ public class TreeNode { /** * 父节点 */ TreeNode parent; /** * 指向父的哪个属性 */ String parentArrtibute; /** * 节点名 */ String nodeName; /** * 属性数组 */ String[] arrtibutes; /** * 节点数组 */ TreeNode[] childNodes; /** * 可信度 */ double percent; } package graph; /** * @author Leon.Chen */ public class DTreeUtil { /** * 属性值熵的计算 Info(T)=(i=1...k)pi*log(2)pi * * @param x * @param total * @return double */ public static double sigma(int x, int total) { if (x == 0) { return 0; } double x_pi = getPi(x, total); return -(x_pi * logYBase2(x_pi)); } /** * log2y * * @param y * @return double */ public static double logYBase2(double y) { return Math.log(y) / Math.log(2); } /** * pi是当前这个属性出现的概率(=出现次数/总数) * * @param x * @param total * @return double */ public static double getPi(int x, int total) { return x * Double.parseDouble("1.0") / total; } } package graph; import java.util.Comparator; /** * @author Leon.Chen * */ @SuppressWarnings("unchecked") public class SequenceComparator implements Comparator { public int compare(Object o1, Object o2) throws ClassCastException { String str1 = (String) o1; String str2 = (String) o2; return str1.compareTo(str2); } }
发表评论
-
庞果英雄会 覆盖数字
2013-11-14 15:13 856庞果覆盖数字原题如下 给定整数区间[a,b]和整数区间[x, ... -
2-3 tree
2013-10-09 17:10 772package com.leon.cc; imp ... -
编译原理生成LL1预测分析表
2013-08-11 20:47 5850package com.leon; impo ... -
应用倍增法后缀数组以及RMQ求解N个字符串最长公共子串问题
2011-11-30 16:35 1464/** * @see IOI2009国家集训队论文《后 ... -
谷哥的KOF连招问题
2010-10-09 14:38 1533传说问题是这样的 玩过KOF(拳皇)的人都知道,玩的时候会连招 ... -
KOF
2010-10-09 00:13 0package org.struct.trietree; ... -
ACM/ICPC HDU 1195
2010-09-06 10:37 1897本年度还有8篇博客需要完成 开篇前附加一个看完《盗梦空间》的我 ... -
答复: 阿里巴巴面试感言
2009-10-09 22:27 2185好吧,我承认我闲的蛋疼 问题:3000万条的记录取最大的前50 ... -
正向最大匹配改进算法
2009-05-26 22:11 5894AD.: 2年J2EE经验,熟悉常用数据结构算法,熟悉常 ... -
决策树C4.5算法
2009-05-19 02:05 5259数据挖掘中决策树C4.5预测算法实现(半成品,还要写规则后 ... -
区间树
2008-07-18 15:47 2192package acmcode; /** * ... -
红黑树初版
2008-07-16 17:20 1611package acmcode; /** * R ... -
四则运算的中缀转后缀,逆波兰表达式求值
2008-04-23 23:10 9088首先描述问题 给定一 ... -
最大0,1子矩阵
2008-04-20 21:16 6089首先描述一下问题 /** * * 时间限制(普 ... -
数据挖掘 决策树ID3算法原理
2008-04-11 22:24 11414上一篇博客写了ID3算法的简单实现 这一篇讲讲ID3的原理 写 ... -
ext2.0 的XMLWriter
2008-02-20 21:04 1287做ext相关的一个example项目,把我们的客户端移植成ex ... -
树与哈夫曼树
2008-02-20 20:50 1595package tree; public ... -
LCS与图算法
2008-02-20 20:46 1237求两个字符串最长公共子串的问题。大体解法是用一个矩阵来记录两个 ... -
《程序员》算法擂台:骑士聚会
2008-02-20 20:40 1218在8×8的棋盘上分布着n个骑士,他们想约在某一个格中聚会。骑士 ...
相关推荐
决策树是一种常用的数据挖掘技术...通过这个项目,不仅可以学习到决策树ID3算法的基本原理,还能掌握如何在实际开发中运用MFC进行GUI编程。这有助于提升软件开发能力和数据分析技能,为今后从事相关工作打下坚实基础。
文件名`ID3`可能是指包含了整个决策树ID3算法实现的Java源代码文件。在阅读和理解代码时,要关注如何计算信息熵、信息增益,以及如何根据这些值选择最佳属性进行划分,同时注意树的构建和预测过程。 总的来说,ID3...
### 决策树ID3算法的实例解析 #### 一、引言 本文将深入探讨决策树ID3算法的核心概念及其应用案例。ID3(Iterative Dichotomiser 3)算法是由Ross Quinlan在1986年提出的一种用于生成决策树的经典算法。在数据挖掘...
决策树ID3算法是机器学习领域中的一种经典分类方法,主要应用于数据挖掘和模式识别。在C语言课程设计中,实现ID3算法可以帮助学生深入理解数据处理和算法逻辑。ID3算法是由Ross Quinlan提出的,它基于信息熵和信息...
### Java 实现决策树ID3算法 #### 一、决策树与ID3算法简介 决策树是一种常用的机器学习方法,用于分类与回归任务。它通过树状结构来表示规则,其中每个内部节点代表一个特征上的判断,每个分支代表一个判断结果,...
《决策树ID3算法实验详解——以广工实验为例》 决策树ID3算法是一种经典的机器学习算法,常用于分类任务。本实验报告基于广东工业大学(广工)的人工智能课程,通过具体案例——UCI标准数据集Car-Evaluation,详细...
### C 实现决策树ID3算法 #### 一、概览 本文档旨在解析一个用C语言实现的决策树ID3算法的代码片段。决策树是一种常用的机器学习方法,广泛应用于分类与回归任务中。ID3(Iterative Dichotomiser 3)是决策树的一种...
决策树ID3算法编程(C语言课程设计) 本文将详细介绍决策树ID3算法编程的实践报告,涵盖了决策树的原理分析、实现步骤、程序设计及测试结果等方面的内容。 一、决策树ID3算法原理分析 决策树ID3算法是一种常用的...
用python编写的决策树ID3算法,运用了Car-Evaluation的例子。BUG较少,综合了网上的优秀代码,并进一步形成自己的代码。代码基本有注释,风格良好,能够很快看懂。内含有比较规范的报告文档,包含所有流程图,说明图...
决策树ID3算法实例解析、机器学习算法排名、信息量和熵的定义与计算 本资源摘要信息来自于一个PPT文件,标题为“08-2第八章机器学习-决策树ID3算法的实例解析.pptx”。该资源涵盖了机器学习、决策树、ID3算法、信息...
ID3(Iterative Dichotomiser 3)是决策树算法的一种早期版本,由Ross Quinlan于1986年提出。它基于信息熵和信息增益的概念来选择最优特征,构建决策树模型。 **ID3算法的基本概念** 1. **信息熵(Entropy)**:...
0/1背包算法与决策树ID3算法实现 本文主要讨论了 0/1 背包动态规划算法与决策树 ID3 算法的实现 DETAILS 。 0/1 背包问题 0/1 背包问题是一种组合优化的 NP 完全问题。问题可以描述为:给定一组物品,每种物品都...
Tom编写的机器学习教材中PlayTennis例题—ID3算法python实现
### 决策树ID3算法的改进 #### 引言 决策树方法因其高效的数据分析能力和直观性,在机器学习和知识发现领域得到了广泛的应用。在众多的决策树构建算法中,ID3算法由Ross Quinlan于1986年提出,是最早且最具影响力...
"数据挖掘决策树ID3算法优化" 数据挖掘是从大量数据中提取出可信、新颖、有效并能被人理解的模式的高级处理过程。它是一门交叉学科,把人们对数据的应用从低层次的简单查询,提升到从大量数据中提炼有价值的信息,...
决策树id3算法实现,递归函数,决策树打印,提供数据集
总结来说,决策树ID3算法是基于信息熵和信息增益的分类方法,它通过递归地选择最优特征来构建决策树模型。在Python中,可以通过自定义代码或利用现有的机器学习库实现ID3算法,以解决分类问题。结合压缩包中的资源,...
通过以上步骤,我们可以实现决策树ID3算法。需要注意的是,ID3算法仅适用于离散型特征,并且由于使用了信息增益,它倾向于选择取值多的特征。此外,在实际应用中,为了避免过拟合,可能需要对ID3算法进行剪枝处理。
ID3(Iterative Dichotomiser 3)算法是决策树学习方法的一种,由Ross Quinlan于1986年提出,主要用于分类任务。在本项目中,我们将深入探讨ID3算法的原理以及如何使用C++进行实现。 ID3算法基于信息熵和信息增益来...