决策树算法(Classification and Regression Trees, CART)part2将实际问题转换为决策树与多指标数据的处理

将实际问题转换为决策树

例子：
主题：是否是一只适合长期投资股票？
1，是否体量大(市值高？)
2，是否具有发展潜力(新兴产业，股东的组成)?
3，是否长期趋势向好？
然后最终结论：适合or不适合

逐步处理多指标/维度数据

每次选择一个可以判断(Y OR N )的条件，然后进行单一条件的决策树转换
还是上面的例子
假设我们经过调查，体量大的股票中，有50只适合长期投资，20只不适合，体量不大的股票中有10只适合长期投资，40只不适合

然后再用是否具有发展潜力这一指标去判断，有发展潜力中的股票，有40只适合长期投资，30只不适合，没有发展潜力的股票，有5只适合，30只不适合

再用是否长期趋势向好判断
趋势向好的股票中，47只适合，20只不适合，趋势不长期向好的股票中2只适合，28只不适合

现在又出现了个问题，这个分类一定是好的分类吗？
于是现在引出了个问题，如何评价分类的好与坏

首先我们要明确，上面的三个指标，都是不能单独判断股票是否适合长期投资的
于是我们有了一概念"Impure"
对于非%100正确分类的的分类，我们都称之为"Impure",Impure的关注点在于叶节点(Leaf node)
于是我们判断分类好坏的标准就是是否%100正确分类