机器学习第一个算法决策树（DecisionTree）

0.机器学习框架

1.基本概念

机器学习主要目标是根据已有的属性，得到未知的结论，或者说预测，而能预测的前提是已经积累了很多的经验，等等类似的说法。从基本的监督学习，非监督学习，半监督学习，训练集，测试集等概念讲起。

第一个介绍的算法是DecisionTree：

以上，将数据模型转化为一个一个节点，满足条件即往下走的思路，走到最后就需要做出决策，这样一种算法称之为决策树。

2.数据预处理

简单的有比如，考虑西瓜甜不甜，我们可以将目标设置为甜还是不甜，即是0还是1。一般我们可以根据瓜蒂，声音，颜色等外在属性对西瓜进行预测。
假设瓜蒂有生、熟之分，声音有清脆、浑浊之分，颜色有深绿，浅绿，泛白之分。每一种属性我们都可以用0，1，来表示，主要是因为做数据处理之前需要将描述语言进行这样的数据处理。

瓜蒂生：0
瓜蒂熟：1
清脆：1
浑浊：0
深绿：1
浅绿：0
泛白：0

这样一组[0,1,10,1,0,0]的数据就可以表示瓜蒂熟，声音清脆，颜色深绿的西瓜，如果西瓜甜，则相当于结果是1。绍完基本思路之后，我们就开始用python做初步的demo。

3.代码分析

首先导入用到的库

from sklearn.feature_extraction import DictVectorizer  #字典转换
import csv                                             #读取csv数据
from sklearn import preprocessing                     #sklearn的一些类
from sklearn import tree                                
from sklearn.externals.six import StringIO            ##输入输出             

接着是创造数据：

#创建数据集
headers=['RID','age','income','student','credit_rating','class_buys_computer']

rows=[('1','youth','high','no','fair','no'),
   ('2','youth',