人工智能天气决策树源代码.docx

人工智能天气决策树源代码.docx

《人工智能天气决策树源代码.docx》由会员分享，可在线阅读，更多相关《人工智能天气决策树源代码.docx（20页珍藏版）》请在冰豆网上搜索。

人工智能天气决策树源代码

昆明理工大学信息工程与自动化学院学生实验报告

（2011—2012学年第1学期）

课程名称：

人工智能开课实验室：

信自楼计算机机房4442011年12月16日

专业班级

0

学号

200

姓名

成绩

实验名称

天气决策树

指导教师

教师评语

该同学是否了解实验原理：

A.了解□B.基本了解□C.不了解□

该同学的实验能力：

A.强□B.中等□C.差□

该同学的实验是否达到要求：

A.达到□B.基本达到□C.未达到□

实验报告是否规范：

A.规范□B.基本规范□C.不规范□

实验过程是否详细记录：

A.详细□B.一般□C.没有□

教师签名：

2011年12月日

一、上机目的及内容

1.上机内容

根据下列给定的14个数据,运用InformationGain构造一个天气决策树。

例子编号

属性

分类

天况

温度

湿度

风况

1

晴

热

大

无

N

2

晴

热

大

有

N

3

多云

热

大

无

P

4

雨

中

大

无

P

5

雨

冷

正常

无

P

6

雨

冷

正常

有

N

7

多云

冷

正常

有

P

8

晴

中

大

无

N

9

晴

冷

正常

无

P

10

雨

中

正常

无

P

11

晴

中

正常

有

P

12

多云

中

大

有

P

13

多云

热

正常

无

P

14

雨

中

大

有

N

2.上机目的

（1）学习用InformationGain构造决策树的方法；

（2）在给定的例子上，构造出正确的决策树；

（3）理解并掌握构造决策树的技术要点。

二、实验原理及基本技术路线图（方框原理图或程序流程图）

（1）设计并实现程序，构造出正确的决策树；

（2）对所设计的算法采用大O符号进行时间复杂性和空间复杂性分析；

主函数流程图：

Attributevalue.cpp流程图

Basefun流程图：

Datapiont.cpp流程图：

Dataset主要流程图：

三、所用仪器、材料（设备名称、型号、规格等或使用软件）

1台PC及VISUALC++6.0软件

4、实验方法、步骤（或：

程序代码或操作过程）

工程源代码：

Main.cpp:

#include

#include

#include

#include

#include

#include

#include"AttributeValue.h"

#include"DataPoint.h"

#include"DataSet.h"

DataPointprocessLine（std:

:

stringconst&sLine）

{

std:

:

istringstreamisLine（sLine,std:

:

istringstream:

:

in）;

std:

:

vectorattributes;

//TODO:

needtohandlebeginningandendingemptyspaces.

while（isLine.good（））

{

std:

:

stringrawfield;

isLine>>rawfield;

attributes.push_back（AttributeValue（rawfield））;

}

AttributeValuev=attributes.back（）;

attributes.pop_back（）;

booltype=v.GetType（）;

returnDataPoint（attributes,type）;

}

voidmain（）

{

std:

:

ifstreamifs（"in.txt",std:

:

ifstream:

:

in）;

DataSetinitDataset;

while（ifs.good（））

{

//TODO:

needtohandleemptylines.

std:

:

stringsLine;

std:

:

getline（ifs,sLine）;

initDataset.addDataPoint（processLine（sLine））;

}

std:

:

listprocessQ;

std:

:

vectorfinishedDataSet;

processQ.push_back（initDataset）;

while（processQ.size（）>0）

{

std:

:

vectorsplittedDataSets;

DataSetdataset=processQ.front（）;

dataset.splitDataSet（splittedDataSets）;

processQ.pop_front（）;

for（inti=0;i

{

floatprob=splittedDataSets[i].getPositiveProb（）;

if（prob==0.0||prob==1.0）

{

finishedDataSet.push_back（splittedDataSets[i]）;

}

else

{

processQ.push_back（splittedDataSets[i]）;

}

}

}

std:

:

cout<<"Thedicisiontreeis:

"<

:

endl;

for（inti=0;i

{

finishedDataSet[i].display（）;

}

}

Attributevalue.cpp：

#include"AttributeValue.h"

#include"base.h"

AttributeValue:

:

AttributeValue（std:

:

stringconst&instring）

:

m_value（instring）

{

}

boolAttributeValue:

:

GetType（）

{

if（m_value=="P"）

{

returntrue;

}

elseif（m_value=="N"）

{

returnfalse;

}

else

{

throwDataErrException（）;

}

}

Basefun.cpp:

#include

floatlog2（floatx）

{

return1.0/log10

（2）*log10（x）;

}

floatcalEntropy（floatprob）

{

floatsum=0;

if（prob==0||prob==1）

{

return0;

}

sum-=prob*log2（prob）;

sum-=（1-prob）*log2（1-prob）;

returnsum;

}

Datapiont.cpp:

#include

#include"DataPoint.h"

DataPoint:

:

DataPoint（std:

:

vectorconst&attributes,booltype）

:

m_type（type）

{

for（inti=0;i

{

m_attributes.push_back（attributes[i]）;

}

}

voidDataPoint:

:

display（）

{

for（inti=0;i

{

std:

:

cout<<"\t"<

}

if（true==m_type）

{

std:

:

cout<<"\tP";

}

else

{

std:

:

cout<<"\tN";

}

std:

:

cout<

:

endl;

}

Dataset.cpp:

#include

#include

#include"base.h"

#include"DataSet.h"

voidSplitAttributeValue:

:

display（）

{

std:

:

cout<<"\tSplitattributeID（"<

std:

:

cout<<"Splitattributevalue（"<

:

endl;

}

voidDataSet:

:

addDataPoint（DataPointconst&datapoint）

{

m_data.push_back（datapoint）;

}

floatDataSet:

:

getPositiveProb（）

{

floatnPositive=0;

for（inti=0;i

{

if（m_data[i].isPositive（））

{

nPositive++;

}

}

returnnPositive/m_data.size（）;

}

structStat

{

intnPos;

intnNeg;

intid;

};

voidDataSet:

:

splitDataSet（std:

:

vector&splittedSets）

{

//findallavailablesplittingattributes

intnAttributes=m_data[0].getNAttributes（）;

inti,j;

std:

:

vectorsplittingAttributeBV;

splittingAttributeBV.resize（nAttributes）;

for（i=0;i

{

splittingAttributeBV[i]=true;

}

for（i=0;i

{

splittingAttributeBV[m_splitAttributes[i].getAttributeIndex（）]=false;

}

std:

:

vectorsplittingAttributeIds;

for（i=0;i

{

if（true==splittingAttributeBV[i]）

{

splittingAttributeIds.push_back（i）;

}

}

typedefstd:

:

mapAttributeValueStat;

typedefstd:

:

map:

:

iteratorAttributeValueStat_iterator;

typedefstd:

:

map:

:

const_iteratorAttributeValueStat_const_iterator;

//gothroughdataonce,andcollectneededstatisticstocalculateentropy

std:

:

vectorsplittingStats;

splittingStats.resize（splittingAttributeIds.size（））;

for（i=0;i

{

for（j=0;j

{

AttributeValueconst&v=m_data[i].getAttribute（splittingAttributeIds[j]）;

AttributeValueStat_iteratorit=splittingStats[j].find（v）;

if（splittingStats[j].end（）==it）

{

Statstat;

if（m_data[i].isPositive（））

{

stat.nPos=1;

stat.nNeg=0;

stat.id=0;

}

else

{

stat.nPos=0;

stat.nNeg=1;

stat.id=0;

}

splittingStats[j].insert（std:

:

pair（v,stat））;

}

else

{

if（m_data[i].isPositive（））

{

it->second.nPos++;

}

else

{

it->second.nNeg++;

}

}

}

}

//displaycollectedstatistics

for（j=0;j

{

std:

:

cout<<"Attribute（"<

"<

:

endl;

std:

:

cout<<"\tValue\tnPos\tnNeg"<

:

endl;

for（AttributeValueStat_const_iteratorit=splittingStats[j].begin（）;

it!

=splittingStats[j].end（）;++it）

{

std:

:

cout<<"\t"<first.getValue（）<<"\t"<second.nPos<<"\t"<second.nNeg<

:

endl;

}

}

//findsplittingattribute

floatminEntropy=0.0;

intsplitAttributeId=-1;

for（j=0;j

{

intn=m_data.size（）;

floatentropy=0.0;

for（AttributeValueStat_iteratorit=splittingStats[j].begin（）;

it!

=splittingStats[j].end（）;++it）

{

intnSamples=it->second.nPos+it->second.nNeg;

floatp=it->second.nPos;

p/=nSamples;

entropy+=calEntropy（p）*nSamples/n;

}

if（entropy

{

minEntropy=entropy;

splitAttributeId=j;

}

}

std:

:

cout<<"Splitatattribute（"<

:

endl<

:

endl;

//split

intattrId=splittingAttributeIds[splitAttributeId];

AttributeValueStatconst&attVStat=splittingStats[splitAttributeId];

splittedSets.clear（）;

intk=0;

for（AttributeValueStat_iteratorit=splittingStats[splitAttributeId].begin（）;

it!

=splittingStats[splitAttributeId].end（）;++it）

{

it->second.id=k++;

}

splittedSets.resize（k）;

for（i=0;i

{

for（j=0;j

{

splittedSets[i].m_splitAttributes.push_back（m_splitAttributes[j]）;

}

}

for（AttributeValueStat_iteratoritt=splittingStats[splitAttributeId].begin（）;

itt!

=splittingStats[splitAttributeId].end（）;++itt）

{

splittedSets[itt->second.id].m_splitAttributes.push_back（SplitAttributeValue（itt->first,attrId））;

}

for（i=0;i

{

AttributeValueconst&v=m_data[i].getAttribute（attrId）;

AttributeValueStat_const_iteratorit=attVStat.find（v）;

if（attVStat.end（）!

=it）

{

splittedSets[it->second.id].addDataPoint（m_data[i]）;

}

else

{

throwDataErrException（）;

}

}

}

voidDataSet:

:

display（）

{

inti;

std:

:

cout<<"Dataset（"<

:

endl;

for（i=0;i

{

m_splitAttributes[i].display（）;

}

std:

:

cout<<"Data:

"<

:

endl;

for（i=0;i

{

m_data[i].display（）;

}

std:

:

cout<

:

endl;

}

五、实验过程原始记录（测试数据、图表、计算等）

6、实验结果、分析和结论（误差分析与数据处理、成果总结等。

其中，绘制曲线图时必须用计算纸或程序运行结果、改进、收获）

Attributevalue.cpp的作用是判断正反例，以便下面的的划分决策过程，basefun.cpp的作用则是计算熵，通过熵的比。

较才能够为下面的划分提供条件依据，而dataset.cpp就是具体的划分过程，首先找到可用的划分项目，再第一次划分之后再手机相关的数据来计算熵。

之后再显示出来，做这个实验的时候我遇到了很大的难度，感觉它的要求和自己的实际水平相差很大，所以参考了很多资料才得以完成这个程序，也感觉到了自己的能力还很不足，还需要加强的地方还有很多。

感谢下载!

欢迎您的下载，资料仅供参考