本章概要
决策树与贝叶斯分类，费舍尔分类，神经网络一样，是一种分类技术。但是，与其他分类技术不同的是，决策树做出决策的过程很清晰，可以帮助用户了解决策过程，从而调整自己的策略（比如广告投放），往往决策树本身处理过程比其分类结果更重要。
本章主要介绍了CART算法构建决策树与做出决策，同时还介绍了一些决策树的优化方案，容错机制和使用场景。
本章还介绍了三种集合纯度计算方法
- 基尼不纯度（Gini Impurity）
- 熵（Entory）
- 方差（Variance）
决策树
上面就是一个决策树，分叶节点是逻辑判断，叶节点是结果。输入结果按照决策树的节点一级一级的向下走，直到访问到叶节点，得到最后的分类结果。可以理解为一系列的if-then语句，按照二叉树的样式组合。决策树是通过训练数据集构建的，也就是先给出一些数据集，类别别清楚的分隔好，然后根据这个数据集，进行构建决策树。
如何分隔
选取一个特征值，将所有数据分割成两分。特性值是数字，就用大于逻辑分割（小于也可以），如果是枚举类型，通过相等于不相等分隔为两类。
如何选取特征值
通过度量特征值分隔后，两个子集合的纯度，选取最优特征值。分隔后的结果越纯，特征值月好。
集合纯度
本章介绍了三种集合纯度计算方法：
- 基尼不纯度Gini Impurity
- 熵entropy
- 方差variance，计算连续数值。
现在需要知道，前两者可以计算枚举类型的纯度，最后一个计算连续数据结合的纯度。都是值越大，越不纯，越小越纯。
构建决策树
遍历每个列每个不同节点（除最后一列），按当前节点分隔，计算分隔后的权重熵（权重按照所占比例计算），计算出为分割前的熵与分割后的权重熵之差information gain，越大越好，选出***的。然后根据***的两个集合继续分隔，直到information gain <= 0为止，因为只有这样，说明当前集合十分纯净，无法被继续分隔。
使用决策树
使用方法十分自然，顺着决策树的根几点，一步一步的向下走，直到到达叶节点。
修剪决策树
决策树有可能过度适应（我理解为过度茂盛），以至于得不到好的结果。所以需要修剪。
第一种方案：在生成决策数的时候控制information gain的增长量，如果达不到一定增长量，那么就停止分裂。但是这样会出现一个问题，当前分裂可能达不到一定的增长量，但是下一城节点可能达到更大的增长量。
第二种方案：构建决策树的方案不变，在构建完后，修剪枝叶，也就是合并叶节点，只要合并后的节点与之前的节点的差小于一定范围就可以继续合并。这样可以避免错误的删除明显的决策节点
处理丢失数据
输入数据不完整时，决策树也可以工作，但是会给出多个决策和权重，
决策树适用场景
决策的节点只能是简单的逻辑，如果逻辑太复杂，决策树会很大且不准确。决策树不适合大量数值特性。适合于大量枚举特性，或者具有明显分隔界限的连续数据。当然，如前面提到的，决策树本身具有参考价值，可以帮助用户进行策略分析。