决策树基于时间的各个判断条件，由各个节点组成，类似一颗树从树的顶端，然后分支，再分支，每个节点由响的因素组成
决策树有两个阶段，构造和剪枝
构造： 构造的过程就是选择什么属性作为节点构造，通常有三种节点
1. 根节点：就是树的最顶端，最开始那个节点 （选择哪些属性作为根节点）
2. 内部节点： 就是树中间的那些节点 （选择哪些属性作为子节点）
3. 叶节点： 就是树最底部的节点，也就是决策的结果（什么时候停止并得到目标状态，叶节点）
剪枝： 实现不需要太多的判断，同样可以得到不错的结果，防止过拟合现象发生
过拟合百度百科直观了解一下（https://baike.baidu.com/item/%E8%BF%87%E6%8B%9F%E5%90%88/3359778）
简单介绍就是为了得到一致假设而使假设变得过度严格称为过拟合。
预剪枝是在决策树构造前进行剪枝，在构造过程中对节点进行评估，如果某个节点的划分，在验证集中不能带来准确性的提升，划分则无意义当成叶节点不做划分
后剪枝是在生成决策树后再进行剪枝，通常会从决策树的叶节点开始，逐层向上对每个节点进行评估，减掉与保留差准确性差别不大，或者减掉改节点字数，能在验证集中带来准确性提升，就可以剪枝。
信息熵： 表示了信息的不确定度，下面是计算公式，信息熵越大纯度越低
当不确定性越大，包含的信息量就越大，信息熵就越高
（log 函数图像也可以理解 ，下面函数0到1 之间对应的是概率，当概率接近1的时候，说明纯度很高(概率)，纵坐标值很小，
信息熵很小，当概率接近0的时候，纯度很低，信息熵就很大了，注意，这里是负值，公式前面也有个负号，然后合并就为正）
信息增益：ID3 算法 指划分可以带来纯度的提高，信息熵的下降，父节点的信息熵减去所有子节点的信息熵，计算过程中，会计算子节点归一化的信息熵 下面是计算公式
公式中D是父亲节点，Di 是子节点，Gain(D,a) 中的a作为D节点的属性选择
归一化子节点的信息熵，就是公式中的Di/D 信息增益最大可以作为父亲节点，再重复进行判断到最后得出
C4.5算法
1 采用信息增益率 信息增益率 = 信息增益/属性熵 信息增益的同事，属性熵也会变大
2 采用悲观剪枝 ID3 中容易产生过拟合现象， 这个方法可以提升决策树的泛华能力，属于后剪枝的一种，比较剪枝前后这个节点的分类错误率来觉得是否对其进行剪枝
3 离散化处理连续属性 C4.5可以处理连续属性的情况，对连续属性进行离散化处理，就是对值进行计算，而不是分为几等分（高，中，底） C4.5 选择具有最高信息增益的划分所对应的阈值
4 处理缺失值 C4.5 也可以处理，假如数据集存在较少的缺失值， 对子节点归一化计算信息增益，然后计算信息增益率，由于有对应的缺失值，所以信息增益率*占权比重，（比如7个数据，少了一个*6/7）所以在属性确实的情况下也可以计算信息增益
ID3和C4.5比较， ID3算法简单，确定是对噪声敏感，少量错误会产生决策树的错误，C4.5 进行了改进，长上面可以看出，但是C4.5 需要对数据集进行多次扫描，算法效率相对较低
