1. 决策树特点：
1）优点：计算复杂度不高，输出结果易于理解，对中间值的缺失不敏感，可以处理不相关特征数据。
2）缺点：可能会产生过度匹配问题。
3）适用数据类型：数值型和标称型。
2. 一般流程：
1）收集数据：可以使用任何方法；
2）准备数据：构造树算法只适用于标称型数据，因此数值型数据必须离散化；
3）分析数据：可以使用任何方法，构造树完成后，我们应该坚持图形是否符合预期；
4）训练算法：构造树的数据结构；
a. 在划分数据集之前之后信息发生的变化称为信息增益。
熵定义为信息的期望值，可用于分类，计算公式：
H = -Σ ni=1 p(xi)log2p(xi)
b. 创建决策树原理：
得到原始数据集，然后基于最好的属性值划分数据集，由于特征值可能多于两个，因此可能存在大于两个分支的数据集划分。
第一次划分之后，数据将被向下传递到树分支的下一个节点，在这个节点上，我们再次划分数据。
决策树存储方法：
5）测试算法：使用经验树计算错误率；
6）使用算法：此步骤可以适用于任何监督学习算法，而使用决策树可以更好地理解数据的内在含义。
3. 应用：
预测隐形眼镜类型；