通过个人的理解完成部分代码并加上部分注释，完成决策树流程框图，展示决策树递归流程并进行可视化。数据来自《模式识别》（张学工），代码主要来自《机器学习实战》，侵权删。

机器学习 python 决策树 实验

Python机器学习 人工智能 深度学习算法 决策树代码及实现 配备完整的数据集和代码功能 适合新手学习

数据挖掘决策树ID3算法C++实现 数据挖掘入门程序

C4.5算法使用信息增益率来代替ID3的信息增益进行特征的选择，克服了信息增益选择特征时偏向于特征值个数较多的不足。信息增益率的定义如下： # -*- coding: utf-8 -*- from numpy import * import math import copy import cPickle as pickle class C45DTree(object): def __init__(self): # 构造方法 self.tree = {} # 生成树 self.dataSet = [] # 数据集 self.labels = [] # 标签集 # 数据导入

二、对偶电路的图解求法  根据例 3‐1 求对偶电路方法的原理，可以总结出一种由图解直接求对偶电路 的一般方法，它适用于任意复杂电路，如下：    （1）在电路的每一回路中取一点，依次编号为 1，2，…，n；在电路外任意 绘一包围线，相当于等电位的节点 0。  （2）从每个编号点出发，向该回路的每一元件和电源画辐射线，到达包围线 或到达相邻的编号点。回路的每个编号点对应于其对偶图中的节点(0点对应于零 电位节点)，而这些辐射线则对应于对偶图中的对偶支路。  （3）对每一回路按相同方向标出回路电流参考方向，使流经两回路边界支路 的两个回路电流方向相反，对每一电势、大件电流和元件电压也都给出参考方向。 按照表 3‐1 进行对偶变换。把电势源换为电流源时，若电势 e 与回路电流的参考 方向一致（此时电压 u＝e 却与电流参考方向正相反），则此电势对偶换为流人节 点的电流源，而回路电流则换为离开节点的电压，从而保持此电流源仍为发生电 功率。同理如一元件的电压与回路电流取相同参考方向，则换为流出节点进入其 对偶元件的电流，如该元件电流与回路电流取相同参考方向，则换为离开节点跨

以下为该数据集的部分数据，包括年龄、近视 or 远视类型，是否散光，是否容易流泪，最后 1 列为应佩戴眼镜类型：2. 代码实现：a) 创建决策树：按书上流程（如

决策树为了找出最佳节点和最佳的分枝法，创建了几个指标来帮助实现局部最优，简单说一下，对公式感兴趣的也可以自己搜搜看：信息熵：混乱度，不稳定度，不确定性越大，越混

ID3算法试验报告，是WORD格式，里面有程序运行的结果；里面程序比较详细，有很多中文注释！

python实现项目代码，里面包括了python爬虫，运用框架scrapy，redis，以及数据剔除，数据分析，决策树回归分析的代码。采用的是pycharm软件，数据库对应的是SqlServer，也可以写到MongoDB。