info([2,3],[4,0],[3,2])=0.693位 计算信息增益 info([9,5])- info([2,3],[4,0],[3,2]) =
0.247位 选择获得最大信息增益 的属性进行划分
划分过程的终止
当所有叶节点都是纯的。
因训练集包含两个具有相同属性集，但具有不同类 的实例。
ID3代表归纳决策树(induction decision—tree)版本 3，它是一种用来由数据构造决策树的递归过程。
lD3算法的步骤
1. 试探性地选择一个属性放置在根节点，并对该属 性的每个值产生一个分支。
2. 分裂根节点上的数据集，并移到子女节点，产生 一棵局部树(partial tree)。
决策树作用(2)
决策树的主要作用是揭示数据中的结构化信息。 决策树汇总了数据，并揭示了其中隐藏的结构：
规则：
如果血压高，则 采用药物A。
如果血压低，则 采用药物B。
如果血压正常。 年龄小于或等于 40，则采用药物 A，否则采用药 物B。
准确率、支持度、错误率
该例得到的规则和对应的准确率和支持度是：
如果血压高，则采用药物A(准确率100％，支持度 3／12)。
如果血压低，则采用药物B(准确率100％，支持度 3／12)。
如果血压正常并且年龄小于或等于40，则采用药 物A(准确率100％，支持度3／12)。
如果血压正常并且年龄大于40。则采用药物B(准 确率100％，支持度3／12)。
3. 对该划分的质量进行评估。 4. 对其他属性重复该过程。 5. 每个用于划分的属性产生一棵局部树。 6. 根据局部树的质量，选择一棵局部树。 7. 对选定的局部树的每个子女节点重复以上1-6步。 8. 这是一个递归过程。如果一个节点上的所有实例
