# Recursive base case. 

 

    if type(tree) is not dict: 

 

        return tree 

 

  

 

    feature = list(tree.keys())[0] 

 

    value = data_vect[feat_names.index(feature)] 

 

    sub_tree = tree[feature][value] 

 

  

 

    return self.classify(feat_names, data_vect, sub_tree)  

经由过程字典表示决定计划树，如许我们可以经由过程内置的pickle或者json模块将其存储到硬盘上，同时也可以大年夜硬盘中攫取树构造，如许在数据集很大年夜的时刻可以节俭构建决定计划树的时光.

当然SplitInfo有可能趋近于0，这个时刻增益比率就会变得异常大年夜而弗成信，是以有时还需在分母上添加一个腻滑函数，具体的可以参考参考部分列出的文┞仿

总结

本文一步步实现下场定计划树的实现, 个中应用了ID3算法肯定最佳划分属性，并经由过程Graphviz可视化了构建的决定计划树。本文相干的代码链接: https://github.com/PytLab/MLBox/tree/master/decision_tree

参考:

• 《Machine Learning in Action》
• 数据发掘系列(6)决定计划树分类算法 

【编辑推荐】

1. 据说你懂得深度进修最常用的进修算法：Adam优化算法？
2. 人工智能、机械进修和认知计算入门指南
3. 若何把营业问题变成机械进修的问题？
4. 应用深度进修检测DGA（域名生成算法）
5. 机械进修若何改变数字化企业的将来

【义务编辑：枯木 TEL：（010）68476606】

　　推荐阅读

　　手机只需发条消息即可开始大规模SQL注入攻击

【技巧沙龙】AI开辟者拭魅战营-7分钟打造1个定制技能。7月22号，我们等你一路！ SQL注入(SQLi)应用不安然 Web App 和数据库驱动的类似软件，采取或修改数据(如用户账户记录)，甚至在办事>>>详细阅读

本文标题：机器学习算法实践：决策树 (Decision Tree)

地址：http://www.17bianji.com/lsqh/36282.html

 1/2    1