本文介绍了如何使用Python实现ID3决策树算法，通过一个挑选西瓜的经验数据集进行训练，详细阐述了算法的构建步骤，包括选择最优特征、递归构建决策树等，并给出了最终的决策树模型，用于判断西瓜的好坏。
下表是一个有关挑选西瓜的经验数据，其中分类属性是d（是否好瓜）
编号 c1(色泽) c2(根蒂) c3(敲声) c4(纹理) c5(脐部) c6(触感) d(好瓜)
x1 青绿 蜷缩 浊响 清晰 凹陷 硬滑 是
x2 乌黑 蜷缩 沉闷 清晰 凹陷 硬滑 是
x3 乌黑 蜷缩 浊响 清晰 凹陷 硬滑 是
x4 青绿 蜷缩 沉闷 清晰 凹陷 硬滑 是
x5 浅白 蜷缩 浊响 清晰 凹陷 硬滑 是
x6 青绿 稍蜷 浊响 清晰 稍凹 软粘 是
x7 乌黑 稍蜷 浊响 稍糊 稍凹 软粘 是
x8 乌黑 稍蜷 浊响 清晰 稍凹 硬滑 是
x9 乌黑 稍蜷 沉闷 稍糊 稍凹 硬滑 否
x10 青绿 硬挺 清脆 清晰 平坦 软粘 否
x11 浅白 硬挺 清脆 模糊 平坦 硬滑 否
x12 浅白 蜷缩 浊响 模糊 平坦 软粘 否
x13 青绿 稍蜷 浊响 稍糊 凹陷 硬滑 否
x14 浅白 稍蜷 沉闷 稍糊 凹陷 硬滑 否
x15 乌黑 稍蜷 浊响 清晰 稍凹 软粘 否
x16 浅白 蜷缩 浊响 模糊 平坦 硬滑 否
x17 青绿 蜷缩 沉闷 稍糊 稍凹 硬滑 否
以上述数据为训练数据，采用ID3算法（利用信息增益选择属性）构建一棵决策树，写出构建步骤。
算法分析：
输入：训练集dataSet（D），特征集A
输出：决策树T
Step1若训练集dataSet中所有实例属于同一类 ，则T为单结点树，并将类 作为该节点的类标记，返回T； ps:递归终止条件
Step2：若A=Ø，则T为单结点树，并将D中实例数最大的类 作为该节点的类标记，返回T；ps：递归终
最低0.47元/天 解锁文章
319
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
