ID3算法的大致实现，同学们可以作为参考

a) 您如何实现初始树（A 部分）以及为什么选择您的方法？ 为了实现决策树，我们使用了 ID3（迭代二分法 3）启发式。 训练阶段 - 构建决策树： 在 ID3 算法中，我们以原始属性集作为根节点开始。 在算法的每次迭代中，我们遍历剩余集合中每个未使用的属性并计算该属性的熵（或信息增益）。 然后，我们选择具有最小熵（或最大信息增益）值的属性。 然后剩余的属性集被选定的属性分割以生成数据的子集。 该算法继续在每个子集上递归，只考虑以前从未选择过的属性。 测试阶段：在运行时，我们将使用经过训练的决策树对新的未见过的测试用例进行分类，方法是使用此测试用例的值向下处理决策树，以到达告诉我们此测试用例属于哪个类的终端节点。 我选择这种方法是因为以下原因： 它通过选择最佳属性来在每次迭代中拆分数据集，从而使用贪婪方法。 在离散数据上运行非常快（在 3 到 4 分钟内运行）。 但是，

用JAVA实现的数据挖掘分类挖掘 决策树 ID3算法。较完整。有简易界面。分训练集和测试集。通过训练集得出决策树。用测试集测决策树的预测正确率。

原理分析：决策树ID3算法编程（c语言课程设计） by Chain_Gank

采用数据挖掘技术中ID3决策树算法分析学生成绩.pdf 采用数据挖掘技术中ID3决策树算法分析学生成绩.pdf

首先讲解了信息量的概念，隐身出信息熵的概念，举经典例子。

为机器学习的课程作业

ID3算法是一种贪心算法，用来构造决策树。ID3算法起源于概念学习系统（CLS），以信息熵的下降速度为选取测试属性的标准，即在每个节点选取还尚未被用来划分的具有最高信息增益的属性作为划分标准，然后继续这个过程，直到生成的决策树能完美分类训练样例。

决策树算法ID3的代码实验，编译后可直接使用的ID3代码，欢迎下载

下面小编就为大家带来一篇python实现决策树C4.5算法详解(在ID3基础上改进)。小编觉得挺不错的，现在就分享给大家，也给大家做个参考。一起跟随小编过来看看吧