ID3，ID3是什么

本文目录一览

1，ID3是什么
2，为什么叫id3算法id3全称是什么input dataset
3，什么是ID3功能
4，ID3是什么意思
5，什么是ID3算法
6，ID3算法的介绍

1，ID3是什么

ID3标签是MP3文件中用于描述音乐信息的数据元素（metadata）。我们知道，MP3实际上是MPEG 1 Layer 3的缩写，它只定义了一种数据压缩方式，并没有特别说明如何在文件中添加描述音乐本身的信息。ID3的出现解决了这个问题，它通过在MP3数据前面或者后面添加描述信息，让管理和组织MP3更容易。 ID3目前有多个版本，最常见的是ID3 V1.1和ID3 V2.4。

ID3是什么

2，为什么叫id3算法id3全称是什么input dataset

Iterative Dichotomiser 3 迭代二叉树3代

1959年，widrow和hof提出的最小均方(lms )算法对自适应技术的发展起了极大的作用。由于lms算法简单和易于实现，它至今仍被广泛应用。对lms算法的性能和改进算法已经做了相当多的研究，并且至今仍是一个重要的研究课题。进一步的研究工作涉及这种算法在非平稳、相关输入时的性能研究。当输入相关矩阵的特征值分散时， lms算法的收敛性变差，研究的另一个方面在于如何解决步长大小与失调量之间的矛盾。全称 least mean square

为什么叫id3算法id3全称是什么input dataset

3，什么是ID3功能

ID3，一般是位于一个mp3文件的开头或末尾的若干字节内，附加了关于该mp3的歌手，标题，专辑名称，年代，风格等信息，该信息就被称为ID3信息，ID3信息分为两个版本，v1和v2版。其中： v1版的ID3在mp3文件的末尾128字节，以TAG三个字符开头，后面跟上歌曲信息。 v2版一般位于mp3的开头，可以存储歌词，该专辑的图片等大容量的信息。此外，ID3也就是ID3Tags,其中的“Tag”在英文中名词的一个意思是“标签”，所以“ID3Tags”也就是“MP3文件曲目标签”的意思。有些地方以“ID3”这样的简称来代表“ID3Tags”，二者本质是一样的。

他没有那种功能..

什么是ID3功能

4，ID3是什么意思

ID3标签是MP3音乐档案中的歌曲附加讯息，它能够在MP3中附加曲子的演出者、作者以及其它类别资讯，方便众多乐曲的管理。缺少ID3标签并不会影响 MP3的播放，但若没有的话，管理音乐文件也会相当的麻烦。如果你在网上download MP3，里面多半已经写有预设的ID3讯息。如果你想要将其清除重设，使用WinAMP中的“Alt + 3”热键，就能修改MP3档案中之的ID3标签。 ID3，一般是位于一个mp3文件的开头或末尾的若干字节内，附加了关于该mp3的歌手，标题，专辑名称，年代，风格等信息，该信息就被称为ID3信息，ID3信息分为两个版本，v1和v2版。其中：v1版的ID3在mp3文件的末尾128字节，以TAG三个字符开头，后面跟上歌曲信息。 v2版一般位于mp3的开头，可以存储歌词，该专辑的图片等大容量的信息。此外，ID3也就是ID3Tags，其中的“Tag”在英文中名词的一个意思是“标签”，所以“ID3Tags”也就是“MP3文件曲目标签”的意思。

5，什么是ID3算法

http://www.rulequest.com/download.html http://www.rulequest.com/See5-demo.zip 这里有些。 Diversity(整体)-diversity(左节点)-diversity(右节点)，值越大，分割就越好。三种diversity的指标： 1. min(P(c1),P(c2)) 2. 2P(c1)P(c2) 3. [P(c1)logP(c1)]+[P(c2)logP(c2)] 这几个参数有相同的性质：当其中的类是均匀分布的时候，值最大；当有一个类的个数为0的时候，值为0。选择分割的时候，对每个字段都考虑；对每个字段中的值先排序，然后再一一计算。最后选出最佳的分割。树的生成：错误率的衡量：最初生成的树中也是有错误率的！因为有些叶子节点并不是“Pure”的。树的修剪：是不是当所以的叶子都很纯是，这棵树就能工作的很好呢? 修剪的要点是：应该回溯多少、如何从众多的子树总寻找最佳的。 1) 鉴别生成候选子树：使用一个调整的错误率。AE(T)=E(T)+aleaf_count(T)。一步步的生成一些候选子树。 2) 对子树的评估：通过test set找到最佳子树 3) 对最佳子树衅拦溃菏褂胑valuation set。 4) 考虑代价(cost)的问题

6，ID3算法的介绍

ID3算法是一种贪心算法，用来构造决策树。ID3算法起源于概念学习系统（CLS），以信息熵的下降速度为选取测试属性的标准，即在每个节点选取还尚未被用来划分的具有最高信息增益的属性作为划分标准，然后继续这个过程，直到生成的决策树能完美分类训练样例。

http://www.rulequest.com/download.html http://www.rulequest.com/see5-demo.zip 这里有些。 diversity(整体)-diversity(左节点)-diversity(右节点)，值越大，分割就越好。三种diversity的指标： 1. min(p(c1),p(c2)) 2. 2p(c1)p(c2) 3. [p(c1)logp(c1)]+[p(c2)logp(c2)] 这几个参数有相同的性质：当其中的类是均匀分布的时候，值最大；当有一个类的个数为0的时候，值为0。选择分割的时候，对每个字段都考虑；对每个字段中的值先排序，然后再一一计算。最后选出最佳的分割。树的生成：错误率的衡量：最初生成的树中也是有错误率的！因为有些叶子节点并不是“pure”的。树的修剪：是不是当所以的叶子都很纯是，这棵树就能工作的很好呢? 修剪的要点是：应该回溯多少、如何从众多的子树总寻找最佳的。 1) 鉴别生成候选子树：使用一个调整的错误率。ae(t)=e(t)+aleaf_count(t)。一步步的生成一些候选子树。 2) 对子树的评估：通过test set找到最佳子树 3) 对最佳子树衅拦溃菏褂胑valuation set。 4) 考虑代价(cost)的问题