机器学习算法评估标准：准确率，速度，强壮性（噪音影响较小），可规模性，可解释性。

1、决策树  Decision Tree：决策树是一个类似于流程图的树结构，其中每个内部节点表示在一个属性上的测试，每一个分支代表一个属性输出，每一个树叶节点代表类（label）或类的分布。树的最顶层是根节点。

2、信息熵：发生一件事情的不确定性越大，我们需要的信息量越大，信息熵也就越大。信息量的度量就等于不确定性的多少。

　　　　用bit表示信息量的多少H = -∑P(x)logP(x)

决策树归纳算法通过信息熵计算选择属性判断节点：

　　　　信息获取量（Information Gain）   Gain(A)=Info(D)-Info_A(D)

　　　　通过属性A获取的信息量=没有属性A时所需信息量-有属性A时所需信息量

通过比较每一个节点的Gain信息获取量，来确定哪个属性作为判断节点。

3、算法 

 　　一、树以代表训练样本的单个节点开始

　　二、如果样本都在同一个类，则该节点成为树叶。

　　三、否则，算法使用基于熵的度量作为启发信息，选择能够将样本更好的进行分类的属性，该属性成为节点的“测试”或“判定”属性。

　　　　1、所有的属性都是离散的，连续属性必须离散化。

　　　　2、对测试属性的每个已知值，创建一个分支，并据此划分样本。

　　　　3、算法使用同样的过程，递归形成每个划分上的样本判定树。

　　　　　　递归停止条件：a、给定节点的所有样本属于同一类。b、没有剩余属性来进一步划分样本。（多数表决）

决策树优点：直观，便于理解，小规模数据有效。

缺点：处理连续变量不好，类别较多时错误增加的比较快，可规模性一般。

代码实例

from sklearn.feature_extraction import DictVectorizer
from sklearn import preprocessing
from sklearn import tree
import csv
AllElectronics=open(\'D:\daacheng\Python\PythonCode\machineLearning\AllElectronics.csv\',\'rt\')#打开csv文件
readers=csv.reader(AllElectronics)
headers=next(readers)#表头 [\'RID\', \'age\', \'income\', \'student\', \'credit_rating\', \'class_buys_computer\']
featureList=[]#特征集合
labelList=[]#标签集合
for row in readers:
    rowDict={}  #每一行数据以集合的形式存储，最后把这些集合存储在列表中
    labelList.append(row[len(row)-1])
    for i in range(1,len(row)-1):
        #print(headers[i])
        #print(row[i])
        rowDict[headers[i]]=row[i]
    featureList.append(rowDict)
vec=DictVectorizer()
dummyX=vec.fit_transform(featureList).toarray()#转换，把特征转换成列表
#names=vec.get_feature_names()
#print(names)
lb=preprocessing.LabelBinarizer()
dummyY=lb.fit_transform(labelList)#对标签进行转换
#dummyY
clf=tree.DecisionTreeClassifier(criterion=\'entropy\')#指定通过信息熵选择节点
clf=clf.fit(dummyX,dummyY)#训练学习
#制造一个新数据来进行预测
oneRowX=dummyX[0,:]
newRowX=[]
newRowX.append(oneRowX)
newRowX[0][0]=1
newRowX[0][1]=0
#print(newRowX[0])
#predictY1=clf.predict(oneRowX)
predictY2=clf.predict(newRowX)#需要传入一个二维数组
#print(predictY1)
print(predictY2)