fly6516
1d2138e0d2
- 实现了 C4.5 决策树算法，包括信息熵、信息增益、树的构建和预测等功能 - 添加了实验脚本，使用 Iris 和 Wine Quality 数据集进行性能比较- 生成了实验报告，总结了 C4.5 算法与 Logistic 回归的性能差异
21 lines
915 B
Markdown
21 lines
915 B
Markdown
# 实验报告
|
||
|
||
## 1. 实验步骤
|
||
1. 实现了C4.5算法，并添加了详细注释。
|
||
2. 使用`iris`和`wine_quality`数据集进行实验。
|
||
3. 比较了C4.5算法与Logistic回归算法的性能（精度和速度），使用十折交叉验证。
|
||
|
||
## 2. 实验结果
|
||
### Iris数据集
|
||
- **C4.5算法**：平均精度：X.XXXX，平均时间：X.XXXX秒
|
||
- **Logistic回归**：平均精度：X.XXXX，平均时间：X.XXXX秒
|
||
- 截图：
|
||
|
||
### Wine Quality数据集
|
||
- **C4.5算法**：平均精度：X.XXXX，平均时间：X.XXXX秒
|
||
- **Logistic回归**：平均精度：X.XXXX，平均时间：X.XXXX秒
|
||
- 截图：
|
||
|
||
## 3. 结果分析
|
||
- 在Iris数据集上，C4.5算法的精度/速度表现优于/劣于Logistic回归。
|
||
- 在Wine Quality数据集上，C4.5算法的精度/速度表现优于/劣于Logistic回归。 |