1 決策樹算法

　　機器學習中，決策樹是一個預測模型；它代表的是對象屬性值與對象值之間的一種映射關系。樹中每個節點表示某個對象，每個分叉路徑則代表的某個可能的屬性值，而每個葉結點則對應具有上述屬性值的子對象。決策樹僅有單一輸出；若需要多個輸出，可以建立獨立的決策樹以處理不同輸出。

　　從數據產生決策樹的機器學習技術叫做決策樹學習, 通俗說就是決策樹。

　　決策樹學習也是數據挖掘中一個普通的方法。在這里，每個決策樹都表述了一種樹型結構，它由它的分支來對該類型的對象依靠屬性進行分類。每個決策樹可以依靠對源數據庫的分割進行數據測試。這個過程可以遞歸式的對樹進行修剪。當不能再進行分割或一個單獨的類可以被應用于某一分支時，遞歸過程就完成了。另外，隨機森林分類器將許多決策樹結合起來以提升分類的正確率。 決策樹同時也可以依靠計算條件概率來構造。決策樹如果依靠數學的計算方法可以取得更加理想的效果。

　　1.1 決策樹的工作原理

　　決策樹一般都是自上而下的來生成的。

　　選擇分割的方法有多種，但是目的都是一致的，即對目標類嘗試進行最佳的分割。

　　從根節點到葉子節點都有一條路徑，這條路徑就是一條“規則”。

　　決策樹可以是二叉的，也可以是多叉的。

　　對每個節點的衡量：

　　1) 通過該節點的記錄數；

　　2) 如果是葉子節點的話，分類的路徑；

　　3) 對葉子節點正確分類的比例。

　　有些規則的效果可以比其他的一些規則要好。

　　1.2 ID3算法

　　1.2.1 概念提取算法CLS

　　1) 初始化參數C={E}，E包括所有的例子，為根；