OneR原理：一个属性决定类。
算法步骤
中文描述如下：
For 对于每一个属性：
For 对于属性的每一个值，创建规则如下：
计算每一个类(值)出现的次数
找到出现最多的类
创建规则：把这个出现最多的类赋值给属性值（比如 OutLook中Sunny-->yes）
计算每一个属性规则集合的错误率
找到错误率最低属性集合
举例 weather.nomiral.arff
对于每个属性重复上述步骤后：（带星号表示可选，也就是说类值可以选yes也可以选no）
特殊情况：1.对于遗失值的属性而言，可以通过把Missing Value当作一个属性值 比如 OutLook就具有四个值：Sunny,Overcast,Rainy,Missing Value
2.对于数字值得属性而言，该如何操作呢？
针对第二种情况 我们可以使用离散型的方法把数字属性转换为名词属性，具体步骤如下：
以weather.numeric.arff中温度为例
第一步：根据数字属性的值来选择训练案例
第二步：通过设置断点来分割这个数字序列，断点：类变化的那个点作为断点
第三步：选择断点为两边的中间值，依次为：64.5，66.5，70.5，72，77.5，80.5，84，
但是两个实例中值都为72，可是对应的类不同。这个如何处理？
最简单的解决方法是通过把断点移动到72以上的一个案例，移动到73.5（正好为（72+75）/2），这样就产生了一个混合的划分，在这个划分中no占大多数。
第四步：可能会产生过度拟合（overfitting的概念将在下一章讲解）问题,
问题描述：比如对于训练集中的每一个实例，某个属性总有不同的属性值。从而标识码属性就能唯一的标识实例，这对于训练集而言会产生零错误率（因为每个分区都只有一个实例）。这个标识码属性将不会在训练集正确的外部得到任何示例。这种就是overfitting现象。处理办法？
解决办法
1.对于oneR来说，当某个属性有大量的可能值时，过度拟合就很有可能发生。因此，在离散化一个 数字类型属性时，加上一个条件---即每个分区中的大多数类的个数必须满足一个最小值。
不妨设置为3，那么上述分区变为如下
2.在第一个分区中，要确保大多数类（yes）至少有三条记录。然而，接下来的还是yes,我们完全可以把这个也划分到第一个分区，新的分割如下
3.从上述图片中看到，除了最后一个，其它的分区都满足至少有三个大多数类记录。
其实第一个分区和第二个分区的大多数类都是yes，当我们融合两个分区时，对于规则集合没影响。融合图如下：
第五步：最后得到 规则集合
temperature ： <=77.5 --->yes 2/10
>77.5 ----->no 2/4
温馨提醒！
如果数字属性有已经遗失的值，将会为它创建一个额外的类别。离散程序作用这些实例的时候，会把这个属性的值作为已经定义