Java实现的决策树算法完整实例_java决策树算法

Java

86 浏览量更新于2023-05-11 评论 1 收藏 90KB PDF 举报

身份认证购VIP最低享 7 折!

领优惠券(最高得80元）

资源详情

资源评论

资源推荐

Java实现的决策树算法完整实例实现的决策树算法完整实例

主要介绍了Java实现的决策树算法,简单描述了决策树的概念、原理,并结合完整实例形式分析了java实现决策树

算法的相关操作技巧,代码中备有较为详尽的注释便于理解,需要的朋友可以参考下

本文实例讲述了Java实现的决策树算法。分享给大家供大家参考，具体如下：

决策树算法是一种逼近离散函数值的方法。它是一种典型的分类方法，首先对数据进行处理，利用归纳算法生成可读的规则和

决策树，然后使用决策对新数据进行分析。本质上决策树是通过一系列规则对数据进行分类的过程。

决策树构造可以分两步进行。第一步，决策树的生成：由训练样本集生成决策树的过程。一般情况下，训练样本数据集是根据

实际需要有历史的、有一定综合程度的，用于数据分析处理的数据集。第二步，决策树的剪枝：决策树的剪枝是对上一阶段生

成的决策树进行检验、校正和修下的过程，主要是用新的样本数据集（称为测试数据集）中的数据校验决策树生成过程中产生

的初步规则，将那些影响预衡准确性的分枝剪除。

java实现代码如下：

package demo;

import java.util.HashMap;

import java.util.LinkedList;

import java.util.List;

import java.util.Map;

import java.util.Map.Entry;

import java.util.Set;

public class DicisionTree {

public static void main(String[] args) throws Exception {

System.out.print("我们测试结果：");

String[] attrNames = new String[] { "AGE", "INCOME", "STUDENT",

"CREDIT_RATING" };

// 读取样本集

Map<Object, List<Sample>> samples = readSamples(attrNames);

// 生成决策树

Object decisionTree = generateDecisionTree(samples, attrNames);

// 输出决策树

outputDecisionTree(decisionTree, 0, null);

}

/**

* 读取已分类的样本集，返回Map：分类 -> 属于该分类的样本的列表

static Map<Object, List<Sample>> readSamples(String[] attrNames) {

// 样本属性及其所属分类（数组中的最后一个元素为样本所属分类）

Object[][] rawData = new Object[][] {

{ "<30 ", "High ", "No ", "Fair ", "0" },

{ "<30 ", "High ", "No ", "Excellent", "0" },

{ "30-40", "High ", "No ", "Fair ", "1" },

{ ">40 ", "Medium", "No ", "Fair ", "1" },

{ ">40 ", "Low ", "Yes", "Fair ", "1" },

{ ">40 ", "Low ", "Yes", "Excellent", "0" },

{ "30-40", "Low ", "Yes", "Excellent", "1" },

{ "<30 ", "Medium", "No ", "Fair ", "0" },

{ "<30 ", "Low ", "Yes", "Fair ", "1" },

{ ">40 ", "Medium", "Yes", "Fair ", "1" },

{ "<30 ", "Medium", "Yes", "Excellent", "1" },

{ "30-40", "Medium", "No ", "Excellent", "1" },

{ "30-40", "High ", "Yes", "Fair ", "1" },

{ ">40 ", "Medium", "No ", "Excellent", "0" } };

// 读取样本属性及其所属分类，构造表示样本的Sample对象，并按分类划分样本集

Map<Object, List<Sample>> ret = new HashMap<Object, List<Sample>>();

for (Object[] row : rawData) {

Sample sample = new Sample();

int i = 0;

for (int n = row.length - 1; i < n; i++)

sample.setAttribute(attrNames[i], row[i]);

sample.setCategory(row[i]);

List<Sample> samples = ret.get(row[i]);

if (samples == null) {

samples = new LinkedList<Sample>();

ret.put(row[i], samples);

}

samples.add(sample);

}

return ret;

}

/**

* 构造决策树

static Object generateDecisionTree(

本内容试读结束，登录后可阅读更多

下载后可阅读完整内容，剩余3页未读，立即下载

weixin_38697274

粉丝: 17
资源: 905

会员权益专享

Java实现的决策树算法完整实例

评论0

会员权益专享

最新资源

Java实现的决策树算法完整实例

评论0

决策树算法(Java实现)

java实现的决策树算法

决策树算法JAVA实现（包括C4.5和ID3）

决策树算法简介及应用实例

决策树算法在数据建模中的角色

使用C语言编写简单的决策树算法

通过决策树算法解读歌单特征

GBDT中的决策树算法详解

决策树算法java实现

决策树算法python实例

python 决策树算法实例

matlab决策树算法实例

决策树算法可以做哪些实例

决策树id3算法python实现实例

KNN算法和决策树算法的讲解

决策树算法和knn算法

用python实现决策树算法

matlab决策树算法实例建立模型

结合实例说明mapreduce在并行决策树算法中的应用

决策树算法python实现代码

会员权益专享

最新资源