本文共 1259 字，大约阅读时间需要 4 分钟。

ID3和C4.5

决策树

看这张图就明白了。

简单来说就是根据特征构造一棵树，叶子结点代表了分类的结果，叶子结点到根节点的路径代表了不同特征的组合。

也就是说我们认为不同特征的组合造成了分类结果的不同。

ID3

那我们怎么构造这棵树呢？把哪些特征放在上面哪些放在下面呢？

上一篇博客提到了信息熵的相关知识。

ID3算法就是根据信息增益来排序的。

我们自然是把最重要的信息放在上面，这里的重要意味着有了这个信息，结果的不确定性就会小很多。

信息确定前后信息熵的变化称为信息增益，某特征的信息增益越大，也就说明这一特征与结果的相关性越高，对于分类的重要性也就越高了。

C4.5

不同于ID3，C4.5使用信息增益比来对特征进行排序。在上上一篇博客中也有对于信息增益比的介绍，这里不做赘述。

简单来说C4.5避免了特征多叉带来的信息增益过大问题，使用某特征单位熵下的信息增益来衡量特征的优先级。

sklearn的实现

sklearn默认使用CART算法，我们要用熵来算的话，把criterion='entropy’即可。这里的entropy代表用熵来算。

import csvfrom sklearn import treefrom sklearn import preprocessingfrom sklearn.feature_extraction import DictVectorizer# 读数据Dtree = open('../data/AllElectronics.csv','r')reader = csv.reader(Dtree)headers = reader.__next__()featureList = []labelList = []for row in reader:    labelList.append(row[-1])    rowDic = {   }    for i in range(1,len(row)-1):        rowDic[headers[i]] = row[i]    featureList.append(rowDic)# 把数据转化成01表示vec = DictVectorizer()x_data = vec.fit_transform(featureList).toarray()# print(vec.get_feature_names())# 将标签转化为01表示lb = preprocessing.LabelBinarizer()y_data = lb.fit_transform(labelList)# 创建决策树模型model = tree.DecisionTreeClassifier(criterion='entropy')model.fit(x_data,y_data)prediction = model.predict(x_data)print("预测值：",prediction)print("实际值：",y_data.T)