c5.0是決策樹模型中的演算法，79年由j r quinlan發展，並提出了id3演算法，主要針對離散型屬性資料，其後又不斷的改進，形成c4.5，它在id3基礎上增加了隊連續屬性的離散化。c5.0是c4.5應用於大資料集上的分類演算法，主要在執行效率和記憶體使用方面進行了改進。
c4.5演算法是id3演算法的修訂版，採用gainratio來加以改進方法，選取有最大gainratio的分割變數作為準則，避免id3演算法過度配適的問題。
c5.0演算法則是c4.5演算法的修訂版，適用於處理大資料集，採用boosting方式提高模型準確率，又稱為boostingtrees，在軟體上計算速度比較快，占用的記憶體資源較少。
決策樹模型，也稱規則推理模型。通過對訓練樣本的學習，建立分類規則；依據分類規則，實現對新樣本的分類；屬於有指導（監督）式的學習方法，有兩類變數：目標變數（輸出變數），屬性變數（輸入變數）。
決策樹模型與一般統計分類模型的主要區別：決策樹的分類是基於邏輯的，一般統計分類模型是基於非邏輯的。
常見的演算法有chaid、cart、quest和c5.0。對於每乙個決策要求分成的組之間的「差異」最大。各種決策樹演算法之間的主要區別就是對這個「差異」衡量方式的區別。
決策樹很擅長處理非數值型資料，這與神經網路智慧型處理數值型資料比較而言，就免去了很多資料預處理工作。
c5.0是經典的決策樹模型演算法之一，可生成多分支的決策樹，目標變數為分類變數，使用c5.0演算法可以生成決策樹或者規則集。c5.0模型根據能偶帶來的最大資訊增益的字段拆分樣本。第一次拆分確定的樣本子集隨後再次拆分，通常是根據另乙個字段進行拆分，這一過程重複進行指導樣本子集不能在被拆分為止。最後，重新緝拿眼最低層次的拆分，哪些對模型值沒有顯著貢獻的樣本子集被提出或者修剪。
c5.0優點：
c5.0模型在面對資料遺漏和輸入字段很多的問題時非常穩健；
c5.0模型比一些其他型別的模型易於理解，模型退出的規則有非常直觀的解釋；
c5.0也提供強大技術以提高分類的精度。
c5.0演算法
c5.0演算法選擇分支變數的依據：以資訊熵的下降速度作為確定最佳分支變數和分割閥值的依據。資訊熵的下降意味著資訊的不確定性下降。
資訊熵：資訊量的數學期望，是心願發出資訊前的平均不確定性，也稱先驗熵。 資訊
ui(i
=1,2,…r)
的發生概率p(
ui)組成信源數學模型，åp
(ui)
＝1；
資訊量(
單位是bit
，對的底數取2)：
資訊熵：先驗不確定性：
•資訊熵h(u
)的性質
•h(u)=0
時，表示只存在唯一的可能性，不存在不確定性
•如果信源的
k個訊號有相同的發出概率，即所有的ui
有p(ui
)=1/k，
h(u)
達到最大，不確定性最大
•p(ui
)差別越小，h(
u)就越大；p(u
i)差別大，h(
u)就越小
決策樹中熵的應用：
設s是乙個樣本集合，目標變數c有k個分類，freq(ci，s)表示屬於ci類的樣本數，|s|表示樣本幾何s的樣本數。則幾何s的資訊熵定義為：
如果某屬性變數t,有n個分類，則屬性變數t引入後的條件熵定義為：
屬性變數t帶來的資訊增益為：
c5.0演算法示例：
該組樣本的熵：
關於t1的條件熵為：
t1帶來的資訊增益為：
小白學資料分析/
C 5 0中新增特性
c 5.0隨著visualstudio 2012一起正式發布了，讓我們來看看c 5.0中增加了哪些功能。1.非同步程式設計 在.net 4.5中，通過async和await兩個關鍵字，引入了一種新的基於任務的非同步程式設計模型 tap 在這種方式下，可以通過類似同步方式編寫非同步 極大簡化了非同步程...
C 5 0五大新特性
第一 繫結運算子，這個只是簡化了資料繫結，跟asp.net mvc3不斷改進一樣，其實不是什麼亮點改進。csharp view plain copy combobox1.text textbox1.text 將文字框的內容繫結到下拉框。第二 帶引數的泛型建構函式 這個的加入給一些設計增加了強大功能，...
C 5 0五大新特性
第一 繫結運算子，這個只是簡化了資料繫結，跟asp.net mvc3不斷改進一樣，其實不是什麼亮點改進。csharp view plain copy combobox1.text textbox1.text 將文字框的內容繫結到下拉框。第二 帶引數的泛型建構函式 這個的加入給一些設計增加了強大功能，...