决策树算法及应用拓展（附PPT教程）

决策树算法及应用拓展
概述(一)
概述(二)
预备知识一(Building Tree)
使用决策树进行分类
决策树算法
伪代码(Building Tree)
属性选择的统计度量
信息增益度度量(ID3/C4.5)
训练集(举例)
使用信息增益进行属性选择
Decision Tree (结果输出)
基尼指数  Gini Index (IBM IntelligentMiner)
预备知识二(Pruning Tree)
两种剪枝标准
Cost of Encoding Data Records
Cost of Encoding Tree
剪枝算法
计算最小子树代价的伪代码
引入Public算法
具体思路
改进算法的伪代码
计算子树代价下界
Public(S)算法(一)
相关概念
Public(S)算法(二)
Public(S)算法(证明一)
Public(S)算法(证明二)
计算minCost_S的代码
Public(S)示例
Public(V)算法
计算分类节点值的代价：
编码叶子节点记录的代价
                                                              i=1..k   (1)
在所有内部节点编码分裂节点值的代价
     
                                                                                (2)
       总代价  (1)+(2)
其中，Cj是叶子节点j上的主要类；M是S+1个叶子节点上的主要类的集合
算法比较
实验数据(Real-life)
实验结果(一)
实验结果(二)
算法结果分析
言归正传—捕捉数据变化的挖掘方法
方法三的对应算法
标识几种不同的变化类型
小结
个人观点
计算分裂点属性代价下界的算法代码

附件：决策树算法及应用拓展（PPT教程）