Decision tree

Decision tree
原理	选择属性判断结点：IG越大，就在越上面 信息获取量(Information Gain)：Gain(A) = Info(D) - Infor_A(D)
过程	（1）读整行代码 （2）分为特征、标签 （3）每行的特征通过布尔来显示（比如age有youth、middle_age、senor,就可以设置为0、0、1，,将一维转为三维） （4）调用DecisionTreeClassifier（criterion=’entropy’）即可 （5）也可通过改变布尔数据来度额定输出
调试	（1）AttributeError: '_csv.reader' object has no attribute'next'  →  reader.next()改为next(reader) （2）Iterator should return strings ,not bytes   →     “rb”改为“rt”即可
优点	直观，便于理解，小规模数据集有效
缺点	（1） 处理连续变量不好  （2）类别较多时，错误增加的比较快  （3）可规模性一般