摘要：
决策树优点：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； 决策树缺点：可能会产生过度匹配问题。 决策树的一般步骤： （1）代码中def 1，计算给定数据集的香农熵： 其中n为类别数，D为数据集，每行为一个样本，pk 表示当前样本集合D中第k类样本所占的比例，Ent 阅读全文
摘要：
k近邻优点：精度高、对异常值不敏感、无数据输入假定；k近邻缺点：计算复杂度高、空间复杂度高import numpy as npimport operatorfrom os import listdir# k近邻分类器def classify0(inx, dataSet, labels, k): da 阅读全文