论文部分内容阅读
根据经典决策树ID3算法，通过采集确定的训练样本集构造决策树模型，在判断决策树节点属性过程中针对期望值及熵的计算引入模式设计GoF中简单工厂模式设计一个工厂类，在工厂类静态方法计算出该节点的样本特征变量对象与类别特征变量对象，把这两种特征变量对象返回的期望值传递给ID3算法中递归过程，从而构造出决策树模型，相比较在ID3算法中把期望值的计算集成在递归中，这种松耦合的封装分离方式可方便各种评测环境下的节点扩充，增强了计算效率和代码的维护性，以及提高算法在其他应用中的移植性．