目录
前言
一、决策树是什么？
二、实验过程
1.选择数据集中各个决策属性的优先级
1.1信息熵
1.2增益率
1.3基尼指数
2.决策树的构造
2.1创建决策树：
2.2准备数据：
2.3.读取和保存决策树：
2.4绘制决策树：
3运行结果：
3.1利用信息熵进行构造
3.2利用增益率进行构造决策树：
3.3利用基尼指数进行构造决策树：
总结
前言
决策树（Decision Tree）是一种简单但是广泛使用的分类器。通过训练数据构建决策树，可以高效的对未知的数据进行分类。决策数有两大优点：1）决策树模型可以读性好，具有描述性，有助于人工分析；2）效率高，决策树只需要一次构建，反复使用，每一次预测的最大计算次数不超过决策树的深度。
一、决策树是什么？
决策树（decision tree）：是一种基本的分类与回归方法，此处主要讨论分类的决策树。
决策树通常有三个步骤：特征选择、决策树的生成、决策树的修剪。
用决策树分类：从根节点开始，对实例的某一特征进行测试，根据测试结果将实例分配到其子节点，此时每
