# NBayes&DecisionTree-&ID3/C4.5/CART. PCA 人脸识别
## PCA 人脸识别
##### 结果可视化
![](https://www.writebug.com/myres/static/uploads/2022/1/2/c9ed478e631ebc8c39424a3653e90f88.writebug)
##### 结果图
![](https://www.writebug.com/myres/static/uploads/2022/1/2/944cd9805a155778d21c6e9588191387.writebug)
##### 控制台结果图
![](https://www.writebug.com/myres/static/uploads/2022/1/2/32f0b1f4adfc70227ec5a5edbe0e88bc.writebug)
## 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
![](https://www.writebug.com/myres/static/uploads/2022/1/2/aff1fda50452689102b9bed30aa94c2d.writebug)
## 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:
![](https://www.writebug.com/myres/static/uploads/2022/1/2/3a6babd5eb984aa62537678421c6d3bb.writebug)
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:
![](https://www.writebug.com/myres/static/uploads/2022/1/2/66258ad7a26818e57d2ded9d5e4043dc.writebug)
ID3 决策树:
![](https://www.writebug.com/myres/static/uploads/2022/1/2/d6fec738aa7fa2f63f780ab35e9e0cea.writebug)
![](https://www.writebug.com/myres/static/uploads/2022/1/2/48eac43931bea2083dd7fd34b81d38d7.writebug)
决策树:
![](https://www.writebug.com/myres/static/uploads/2022/1/2/f36c2f505b347eea1ed3869f668ff306.writebug)
![](https://www.writebug.com/myres/static/uploads/2022/1/2/8ab59ba4d182ad55785193dcb7f9dd84.writebug)
CART 决策树:
![](https://www.writebug.com/myres/static/uploads/2022/1/2/a7c1e29d9b64adfe2974c73d2ead2fc3.writebug)
![](https://www.writebug.com/myres/static/uploads/2022/1/2/ea9f5d601474fe667f51338c538b8463.writebug)
#### 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。
没有合适的资源?快使用搜索试试~ 我知道了~
温馨提示
基于 python 实现朴素贝叶斯分类-决策树-PCA人脸识别 PCA人脸识别,主要针对不同训练样本数以及最近邻和三阶近邻分类算法,做出了识别率的对比分析。 决策树,主要是ID3,C4.5, CART三种算法的分析。 朴素贝叶斯分类,做的是针对连续型数据的分类。 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:
资源推荐
资源详情
资源评论
收起资源包目录
基于 python 实现朴素贝叶斯分类-决策树-PCA人脸识别 (822个子文件)
决策树分类实验报告.docx 373KB
10.jpg 3KB
6.jpg 3KB
4.jpg 3KB
2.jpg 3KB
4.jpg 3KB
2.jpg 3KB
5.jpg 3KB
5.jpg 3KB
9.jpg 3KB
7.jpg 3KB
8.jpg 3KB
3.jpg 3KB
2.jpg 3KB
1.jpg 3KB
4.jpg 3KB
5.jpg 3KB
10.jpg 3KB
5.jpg 3KB
8.jpg 3KB
6.jpg 3KB
4.jpg 3KB
1.jpg 3KB
6.jpg 3KB
2.jpg 3KB
7.jpg 3KB
10.jpg 3KB
2.jpg 3KB
3.jpg 3KB
5.jpg 3KB
3.jpg 2KB
4.jpg 2KB
4.jpg 2KB
5.jpg 2KB
5.jpg 2KB
8.jpg 2KB
7.jpg 2KB
4.jpg 2KB
5.jpg 2KB
10.jpg 2KB
6.jpg 2KB
1.jpg 2KB
8.jpg 2KB
6.jpg 2KB
4.jpg 2KB
4.jpg 2KB
1.jpg 2KB
2.jpg 2KB
3.jpg 2KB
1.jpg 2KB
5.jpg 2KB
10.jpg 2KB
3.jpg 2KB
8.jpg 2KB
5.jpg 2KB
9.jpg 2KB
7.jpg 2KB
9.jpg 2KB
8.jpg 2KB
1.jpg 2KB
5.jpg 2KB
7.jpg 2KB
2.jpg 2KB
9.jpg 2KB
8.jpg 2KB
9.jpg 2KB
1.jpg 2KB
9.jpg 2KB
5.jpg 2KB
3.jpg 2KB
9.jpg 2KB
3.jpg 2KB
10.jpg 2KB
10.jpg 2KB
10.jpg 2KB
2.jpg 2KB
7.jpg 2KB
4.jpg 2KB
8.jpg 2KB
10.jpg 2KB
7.jpg 2KB
7.jpg 2KB
9.jpg 2KB
3.jpg 2KB
2.jpg 2KB
10.jpg 2KB
1.jpg 2KB
7.jpg 2KB
6.jpg 2KB
7.jpg 2KB
1.jpg 2KB
10.jpg 2KB
9.jpg 2KB
3.jpg 2KB
9.jpg 2KB
8.jpg 2KB
3.jpg 2KB
6.jpg 2KB
4.jpg 2KB
7.jpg 2KB
共 822 条
- 1
- 2
- 3
- 4
- 5
- 6
- 9
甜辣uu
- 粉丝: 8406
- 资源: 1103
上传资源 快速赚钱
- 我的内容管理 展开
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功
- 1
- 2
- 3
前往页