从这篇开始，我将介绍分类问题，主要介绍决策树算法、朴素贝叶斯、支持向量机、BP神经网络、 懒惰学习算法、随机森林与自适应增强算法、分类模型选择和结果评价。总共7篇，欢迎关注和交流。
这篇先介绍分类问题的一些基本知识，然后主要讲述决策树算法的原理、实现，最后利用决策树算 法做一个泰坦尼克号船员生存预测应用。
一、分类基本介绍
物以类聚，人以群分，分类问题只古以来就出现我们的生活中。分类是数据挖掘中一个重要的分支 ，在各方面都有着广泛的应用，如医学疾病判别、垃圾邮件过滤、垃圾短信拦截、客户分析等等。分 类问题可以分为两类：
归类：归类是指对离散数据的分类，比如对根据一个人的笔迹判别这个是男还是女，这里的类别只 有两个，类别是离散的集合空间{男，女}的。 预测：预测是指对连续数据的分类，比如预测明天 8点天气的湿度情况，天气的湿度在随时变化，8点时的天气是一个具体值，它不属于某个有限集合空 间。预测也叫回归分析，在金融领域有着广泛应用。
虽然对离散数据和连续数据的处理方式有所不同，但其实他们之间相互转化，比如我们可以根据比 较的某个特征值判断，如果值大于0.5就认定为男性，小于等于0.5就认为是女性，这样就转化为连续 处理方式；将天气湿度值分段处理也就转化为离散数据。
数据分类分两个步骤：
构造模型，利用训练数据集训练分类器； 利用建好的分类器模型对测试数据进行分类。
好的分类器具有很好的泛化能力，即它不仅在训练数据集上能达到很高的正确率，而且能在未见过 得测试数据集也能达到较高的正确率。如果一个分类器只是在训练数据上表现优秀，但在测试数据上 表现稀烂，这个分类器就已经过拟合了，它只是把训练数据记下来了，并没有抓到整个数据空间的特 征。
二、决策树分类
决策树算法借助于树的分支结构实现分类。下图是一个决策树的示例，树的内部结点表示对某个属 性的判断，该结点的分支是对应的判断结果；叶子结点代表一个类标。
上表是一个预测一个人是否会购买购买电脑的决策树，利用这棵树，我们可以对新记录进行分类， 从根节点（年龄）开始，如果某个人的年龄为中年，我们就直接判断这个人会买电脑，如果是青少年 ，则需要进一步判断是否是学生；如果是老年则需要进一步判断其信用等级，直到叶子结点可以判定 记录的类别。
决策树算法有一个好处，那就是它可以产生人能直接理解的规则，这是贝叶斯、神经网络等算法没 有的特性；决策树的准确率也比较高，而且不需要了解背景知识就可以进行分类，是一个非常有效的 算法。决策树算法有很多变种，包括ID3、C4.5、C5.0、CART等，但其基础都是类似的。下面来看看决 策树算法的基本思想：
算法：GenerateDecisionTree(D,attributeList)根据训练数据记录D生成一棵决策树. 输入： 数据记 录D，包含类标的训练数据集; 属性列表attributeList，候选属性集，用于在内部结点中作判断的属 性. 属性选择方法AttributeSelectionMethod()，选择最佳分类属性的方法. 输出：一棵决策树. 过 程： 构造一个节点N； 如果数据记录D中的所有记录的类标都相同（记为C类）： 则将节点N作为叶子 节点标记为C，并返回结点N； 如果属性列表为空： 则将节点N作为叶子结点标记为D中类标最多的类 ，并返回结点N； 调用AttributeSelectionMethod(D,attributeList)选择最佳的分裂准则 splitCriterion; 将节点N标记为最佳分裂准则splitCriterion; 如果分裂属性取值是离散的，并且允 许决策树进行多叉分裂： 从属性列表中减去分裂属性，attributeLsit -= splitAttribute; 对分裂 属性的每一个取值j: 记D中满足j的记录集合为Dj; 如果Dj为空： 则新建一个叶子结点F，标记为D中 类标最多的类，并且把结点F挂在N下; 否则： 递归调用GenerateDecisionTree(Dj,attributeList)得 到子树结点Nj，将Nj挂在N下; 返回结点N;
算法的1、2、3步骤都很显然，第4步的最佳属性选择函数会在后面专门介绍，现在只有知 道它能找到一个准则，使得根据判断结点得到的子树的类别尽可能的纯，这里的纯就是只含有一个类 标；第5步根据分裂准则设置结点N的测试表达式。在第6步中，对应构建多叉决策树时，离散的属性在 结点N及其子树中只用一次，用过之后就从可用属性列表中删掉。比如前面的图中，利用属性选择函数 ，确定的最佳分裂属性是年龄，年龄有三个取值，每一个取值对应一个分支，后面不会再用到年龄这 个属性。算法的时间复杂度是O(k*|D|*log(|D|))，k为属性个数，|D|为记录集D的记录数。