基于 python 实现朴素贝叶斯分类-决策树-PCA人脸识别

# NBayes&DecisionTree-&ID3/C4.5/CART. PCA 人脸识别 ## PCA 人脸识别 ##### 结果可视化  ##### 结果图  ##### 控制台结果图  ## 朴素贝叶斯分类 使用鸢尾花数据集，由于数据集是连续型数据，因此，假设各个属性是成正态分布的，采用密度函数进行概率计算。 代码写的不怎么简洁，但是把过程思路基本写出来了。 参考文章：朴素贝叶斯算法【变量连续与间断的讨论】[https://blog.csdn.net/TaoTaoFu/article/details/52807026](https://blog.csdn.net/TaoTaoFu/article/details/52807026) ##### 结果图  ## DecisionTree ### 决策树分类 #### 实验环境： - 系统：Windows 10 - 语言：Python3.6 - IDE：Sublime Text3. - 数据集：数据集是自己创建的，详情见代码或者是图片“数据集.png”。 #### 实验目的： 了解三种不同决策树的工作原理，使用自己创建的数据集，对数据进行分类，完成决策树的绘制。 #### 实验过程： 学习三种决策树的工作原理，了解到三种决策树的区别如下： - ID3 算法以信息增益为准则来进行选择划分属性，选择信息增益最大的进行划分； - 算法先从候选划分属性中找出信息增益高于平均水平的属性，再从中选择增益率最高的； - CART 算法使用“基尼指数”来选择划分属性，选择基尼值最小的属性作为划分属性。 实验数据集：  编写代码，此次实验编程语言使用的是 python。详细算法步骤见文件 decision_tree.py 和 treePlot.py 中的注释。decision_tree.py 是用来实现属性划分的，treePlot.py 是用来实现最终决策树绘制的。 #### 实验结果 实验结果如下：  ID3 决策树：   决策树：   CART 决策树：   #### 实验结论： 由以上实验结果我们可以看到，ID3 和 C4.5 决策树的最优索引相同，所绘制出来的决策树是也是相同的，而 CART 绘制出来的决策树与前 2 种不同。