起步
熵的计算:
根据计算公式：
对应的 python 代码:
条件熵的计算:
根据计算方法：
对应的 python 代码:
其中参数 future_list 是某一特征向量组成的列表，result_list 是 label 列表。
信息增益：
根据信息增益的计算方法：
对应的python代码:
定义决策树的节点
作为树的节点，要有左子树和右子树是必不可少的，除此之外还需要其他信息:
树的节点会有两种状态，叶子节点中 results 属性将保持当前的分类结果。非叶子节点中， col 保存着该节点计算的特征索引，根据这个索引来创建左右子树。
has_calc_index 属性表示在到达此节点时，已经计算过的特征索引。特征索引的数据集上表现是列的形式，如数据集（不包含结果集）:
有三条数据，三个特征，那么第一个特征对应了第一列 [1, 0, 0] ，它的索引是 0 。
递归的停止条件
本章将构造出完整的决策树，所以递归的停止条件是所有待分析的训练集都属于同一类:
从训练集中筛选最佳的特征：
因此计算节点就是调用 best_index = choose_best_future(node.data_set, node.labels, node.has_calc_index) 来获取最佳的信息增益的特征索引。
构造决策树
决策树中需要一个属性来指向树的根节点，以及特征数量。不需要保存训练集和结果集，因为这部分信息是保存在树的节点中的。
创建决策树：
这里需要递归来创建决策树：
根据信息增益的特征索引将训练集再划分为左右两个子树。
训练函数
也就是要有一个 fit 函数:
清理训练集
训练后，树节点中数据集和结果集等就没必要的，该模型只要 col 和 result 就可以了：
预测函数
提供一个预测函数:
测试
数据集使用前面《应用篇》中的向量化的训练集：
原文发布时间为：2017-12-18
本文作者：weapon