一、原理阐述
算法类型：监督学习_分类算法
输入：数值型或标称型
V1.0
将测试集挨个按特征的特征值划分，计算划分前与划分后的混乱度之差，将差最大的特征作为第一层节点，得到被该特征的特征值划分出来几块数据。再将这几块数据分别按上面的步骤重复进行（递归过程），直到该块都是同一类或特征值用完为止。
二、算法选择
| 算法 | 特点&区别 |
| ID3 | 信息增益为准则来选择划分属性 |
| C4.5 | 不直接使用信息增益，而是使用增益率来选择最优划分属性 |
| CART | 使用基尼指数来选择划分属性 |
三、算法过程
1.这里涉及到信息混乱度，用一个称为“熵”的度量计算。
2.划分前与划分后混乱度的差越大，说明划分后的数据越不混乱，即达到想要的目的，称为“信息增益”。
3.如果特征值都用完了某块数据还不是同一类，可以将类别占比较多的作为该块的类别（即少数服从多少）。
4.特征太多，数据太乱，构建出来的决策树这颗数可能过于“枝繁叶茂”，就存在过拟合问题，泛化能力较差（说人话就是，由于某些少量样本导致了不必要的分支，使得进来的新数据容易被错分，这模型也就不够普适了——所谓的模型越简单越好泛化）。这就需要一个形象地称为“剪枝”的过程，有“先剪枝”和“后剪枝”两种。“先剪枝”就是设定一个阈值，在给树不断加枝干时判断是否小于阈值，小于阈值就不要继续直接按少数服从多少给这一块盖戳结束；“后剪枝”就是决策树构建好之后，再剪掉小于阈值的枝干。
四、特点
优点：
便于理解和解释。
树的结构可以可视化出来。
训练需要的数据少，对异常值和缺失值不敏感。能够处理数值型数据和分类数据。
缺点：
容易产生一个过于复杂的模型，使模型产生过拟合的问题。
决策树可能是不稳定的，因为数据中的微小变化可能会导致完全不同的树生成。