摘要：1. 简介 优点：计算复杂度不高，输出结果易于理解，对中间值的缺失不敏感，可以处理不相关特征数据。 缺点：可能会产生过度匹配问题 适用：数值型和标称型 一般流程： 1. 信息增益 熵：信息的期望值 n:分类的数目 p(xi):选择该分类的概率 python中实现 建立trees.py文件，创建cal 阅读全文

摘要：1. 概念 测量不同特征值之间的距离来进行分类 优点：精度高、对异常值不敏感、无数据输入假定 缺点：计算复杂度高、空间复杂度高。 适用范围：数值型和标称型 工作原理： 存在一个样本数据合计，也称作训练样本集，并且样本集中每个数据都存在标签，即我们知道样本集中每一数据与所属分类的对应关系。输入没有标签 阅读全文