دانلود رایگان پروژه الگوریتم درخت تصمیم C4.5 با MATLAB
در این پست دانلود رایگان پروژه الگوریتم درخت تصمیم C4.5 با نرم افزار متلب را آماده کرده ایم که امیدواریم برای دوستانی که علاقمند به کار در زمینه یادگیری ماشین هستند، مفید و مورد استفاده باشد.
درخت تصمیم زیر مجموعه ای از تصمیم گیری های سلسله مراتبی است. الگوریتم های درخت تصمیم، از رهیافت های تصمم گیری چند مرحله ای هستند. ایده اصلی در تصمیم گیری چند مرحله ای، این می باشد که تصمیم های سنگین و پیچیده به تصمیم های کوچک تر تبدیل شده و نهایتا بتوان با ترکیب این تصمیم های ساده، به تصمیم نهایی و مورد نظر، دست یافت.
در طی سال های اخیر، به منظور ساخت درخت تصمیم، الگوریتم های بسیاری ارائه شده اند که از مهم ترین آنها می توان به SLIQ, SPRINT, CART, ID3, C4.5 اشاره کرد.
الگوریتم C4.5 بهینه شده الگوریتم ID3 می باشد که از قانون هرس بعدی بهره می برد و می تواند صفاتی را که داده های نویزی و مقدار و همچنین صفات گسسته ندارند، استفاده نماید. در C4.5 فرض بر این است که کل داده های آموزشی در داخل حافظه باشند.
توضیحات بیشتر، فیلم نحوه اجرا و لینک دانلود رایگان پروژه الگوریتم درخت تصمیم C4.5 با نرم افزار متلب در ادامه مطلب.
به جهت ساخت درخت تصمیم، فرض می کنیم که مجموعه داده های آموزشی که دارای برچسب کلاس مربوطه و بردار ویژگی ها هستند، در دسترس می باشند. معیارهای گوناگونی برای تقسیم بندی گره ها در درخت تصمیم وجود دارد که از عمومی ترین آنها، معیار ضریب بهره اطلاعات است که در C4.5 به کار می رد.
درخت تصمیم بر پایه آنالیز داده های ورودی و برای یافتن یک ویژگی بر مبنای تصمیم گیری برای هر نود استفاده می شود. ویژگی های گوناگونی از داده در هر نود بررسی می شود و یک ویژگی که اگر انتخاب شود، باعث خواهد شد که بی نظمی (آنتروپی) کاهش یابد، گزینش می شود. مبنای فعالیت نیز بر این اساس ایجاد شده است.
قسمتی از کدهای پروژه الگوریتم درخت تصمیم C4.5 با متلب:
clc; clear; load data; train_patterns=Traindata'; train_patterns=train_patterns(1:4,:); train_targets=Traindata(:,end)'; test_patterns=[ ۷ ۱ ۱ ۱ ۲ ۷ ۱ ۲ ۲ ۱ ۷ ۳ ۱ ۲ ۲]; test_patterns=test_patterns(:,1:4)'; Fra_inc_node=0; [Ni, M] = size(train_patterns); inc_node = Fra_inc_node*M; Nu = ۱۰; discrete_dim = zeros(1,Ni); for i = 1:Ni, Ub = unique(train_patterns(i,:)); Nb = length(Ub); if (Nb <= Nu), discrete_dim(i) = Nb; dist = abs(ones(Nb ,1)*test_patterns(i,:) - Ub'*ones(1, size(test_patterns,2))); [m, in] = min(dist); test_patterns(i,:) = Ub(in); end end disp('Building a tree...') tree = C45_train(train_patterns, train_targets, inc_node, discrete_dim) disp('Classify test samples using the tree...') test_targets = C45_test(test_patterns, tree, discrete_dim)
مشاهده ویدئو در این باره
سلام از اینکه این پروژه ها رو رایگان تو سایت میزارید واقعا لطف می کنید متشکر.......
ممنون از سایت خوبتون خیلی به درد من خودرد
سلام پروژه الگوریتم درخت تصمیم c5 با متلب نیاز داشتم می تونید تهیه کنید اگه تهیه کنید تا کی زمان می بره ؟
سلام بسیار عالی فقط ای کاش الگوریتم هم توضیح میدادید یا اینکه منبعی میذاشتید تا آشنا بشیم با الگوریتم c4.5
من بايد الگوريتم c.4.5 رو ياد بگيرم، اين برنامه داده های تست و آموزش رو به چه طريقی جدا می كنه؟ چون من درخت تصميم رو معمولا با روش K-fold جدا می كردم می تونيم از روش كافلد برای اين الگوريتم استفاده کنیم.
سلام دنبال الگوریتم درخت تصمیم فازی هستم ولی الگوریتم Id3 نباشه؟