根据信息增益率构造决策树_决策树--信息增益，信息增益比，Geni指数

决策树 是表示基于特征对实例进行分类的树形结构
从给定的训练数据集中，依据特征选择的准则，递归的选择最优划分特征，并根据此特征将训练数据进行分割，使得各子数据集有一个最好的分类的过程。
决策树算法3要素：

• • 特征选择
  • 决策树生成
  • 决策树剪枝

部分理解：关于决策树生成
决策树的生成过程就是 使用满足划分准则的特征不断的将数据集划分为纯度更高，不确定性更小的子集的过程。
对于当前数据集D的每一次的划分，都希望根据某特征划分之后的各个子集的纯度更高，不确定性更小。而如何度量划分数据集前后的数据集的纯度以及不确定性呢？ 答案：特征选择准则，比如：信息增益，信息增益率，基尼指数特征选择准则：目的：使用某特征对数据集划分之后，各数据子集的纯度要比划分前的数据集D的纯度高（不确定性要比划分前数据集D的不确定性低。）注意：
1. 划分后的纯度为各数据子集的纯度的加和（子集占比*子集的经验熵）。
2. 度量划分前后的纯度变化 用子集的纯度之和与划分前的数据集D的纯度 进行对比。特征选择的准则就是 度量样本集合不确定性以及纯度的方法。本质相同，定义不同而已。特征选择的准则主要有以下三种：信息增益，信息增益率，基尼指数

首先介绍一下熵的概念以及理解：
熵：度量随机变量的不确定性。（纯度）
定义：假设随机变量X的可能取值有x1，x2， ... , xn
对于每一个可能的取值xi，其概率 P(X=xi) = pi , ( i = 1,2, ... , n)
因此随机变量X的熵：

对于样本集合D来说，随机变