Decision_tree-python 决策树分类（ID3，C4.5，CART） 三种算法的区别如下： (1) ID3算法以信息增益为准则来进行选择划分属性，选择信息增益最大的； (2) C4.5算法先从候选划分属性中找出信息增益高于平均水平的属性，再从中选择增益率最高的； (3) CART算法使用“基尼指数”来选择划分属性，选择基尼值最小的属性作为划分属性.

java实现的决策树算法（ID3），里面附带测试数据集，包含输出构建的决策树，测试正确率，对数据进行预测

ID3算法是由Quinlan首先提出的。该算法是以信息论为基础，以信息熵和信息增益度为衡量标准，从而实现对数据的归纳分类。

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

只用到了numpy库，自己编写的函数，计算交叉熵、信息增益、递归创建决策树、解码分类 # 第1步: 针对每个特征，计算信息增益 # 第2步: 选取最大增益的特征，分裂决策树，递归调用 # 第3步: 解码决策树，进行分类

决策树之ID3 算法源码及数据文件，在博客上数据文件格式被打乱，因此直接上传上来

Decision_tree-python 决策树分类（ID3，C4.5，CART） 三种算法的区别如下： (1) ID3算法以信息增益为准则来进行选择划分属性，选择信息增益最大的； (2) C4.5算法先从候选划分属性中找出信息增益高于平均水平的属性，再从中选择增益率最高的； (3) CART算法使用“基尼指数”来选择划分属性，选择基尼值最小的属性作为划分属性. 本次实验我的数据集如下所示： 共分为四个属性特征：年龄段，有工作，有自己的房子，信贷情况; 现根据这四种属性特征来决定是否给予贷款 为了方便，我对数据集进行如下处理： 在编写代码之前，我们先对数据集进行属性标注。 （0）年龄：0代表青年，1代表中年，2代表老年； （1）有工作：0代表否，1代表是； （2）有自己的房子：0代表否，1代表是； （3）信贷情况：0代表一般，1代表好，2代表非常好； （4）类别(是否给贷款)：no代表否，

代码简洁优美

决策树典型算法ID3原理与代码实现.pptx

包括源代码和两份测试数据，可以直接运行