实验二-决策树实验-实验报告

1、决策树实验一、实验原理1 所示。它表示概念 buys_computer，它预测顾客是否可能购买计算机图 1ID3 算法：叶结点代表从树根到叶结点之间的路径对应的记录所属的类别属性值。每一个非叶结点都将与属性中具有最大信息量的非类别属性相关联。采用信息增益来选择能够最好地将样本分类的属性。ID3 总是选择具有最高信息增益（或最大熵压缩）”。二、算法伪代码算 法 Decision_Tree(data,AttributeName) 输入由离散值属性描述的训练样本集data; 候选属性集合 AttributeName。输出一棵决策树。创建节点N；If samples 都在同一类Cthen返回N作为叶节

2、点，以类C标记；If attribute_listthen返回Nsamples 多数表决attribute_list test_attribute;test_attribute 标记节点N；For each test_attribute 的已知值v/划分samples（9） 由节点N 分出一个对应 test_attribute=v 的分支；（10 Sv 为 samples 中 test_attribute=v 一个划分块If Sv为空 thensamples中最普遍的类标记；（13）Else Decision_Tree(Sv,attribute_list-test_attribute)返回节点

3、值。三、实验数据预处理三、实验数据预处理Age:30 岁以下标记为 岁以上50 岁以下标记为 岁以上标记为。Sex：FEMAL-“1”；MALE“2”Region：INNER RURAL-“3”； SUBURBAN：2 万12 万4 4 万以上 3”Married Children Car Mortgage12Age sex region income married children car mortgage pep12112112212112222121412122121111222212111222212112121121211211221112112121312212121222122

4、2221222211212211211221212212111212221321211122111211121113222121312212221323311121322312112313311221321312122321311111311312112313312222324312211313322112四、实验主函数function main clc;DataSet=1 211211221211222212141212212111122221211122221211212112121121122111211212131221212122212222212222112122112112212

5、12212111212221321211122111211121113222121312212221323311121322312112313311221321312122321311111311312112313312222324312211313322112;AttributName=11 12 13 14 15 16 17 18 19;Tree RulesMatrix=DecisionTree(DataSet,AttributName) End五、实验结果The Decision Tree:(The Root):Attribut|1Attribut|1Attribut|1Attribut

6、|1leaf 1|2leaf 2|2leaf 2|3Attribut|1Attribut|1leaf 1|2leaf 2|3leaf 1|2leaf 2|2Attribut|1Attribut|1leaf 2|2leaf 1|2leaf 1|2Attribut|1leaf 2|2Attribut|1leaf 1|2leaf 2|3leaf 2|3Attribut|1leaf 2|2Attribut|1leaf 1|2Attribut|1leaf 1|2leaf 2|4leaf 1Tree =Attribut: 3Child: 1x4 structRulesMatrix =1110100011210100022010100023011110013012110023013110013010120021010201022010201010010202010021000020022100010022200020023000020030000120030001