上一篇：https://www.cnblogs.com/pylblog/p/8370980.html
| 类型 | 属性1 | 属性2 | 属性3 | 属性4 |
| A | 3 | 2 | 1 | 1 |
| A | 1 | 2 | 1 | 2 |
| A | 1 | 2 | 3 | 3 |
| B | 2 | 2 | 1 | 1 |
| B | 2 | 2 | 2 | 1 |
| B | 2 | 1 | 2 | 2 |
| B | 1 | 1 | 3 | 2 |
| B | 1 | 1 | 3 | 3 |
上面每个属性，都是枚举的
上面每个属性，有可以按下面的树来表达：
假如有一个最好的分类方法，那一定是立即根据不同的值，将AB分成两组。
所以，对于哪一个属性分类的能力高低，可以用有多少个样本，位于同质子集中衡量。
如：
属性1得分为 3 + 1 = 4
属性2得分为3
属性3得分为2
属性4得分为0
从而，可以构建树：
但是，如果按上面这样，一次就想试图将树建出来，去到后面得分太低的属性，或者得分相同的属性，就很难建立出来了。
所以，在得出属性1的分发的时候，要去除值2，值3的同质集合，从新构筑树：
然后，减去分析属性2的样本，已经没有样本了
所以，最终， 这树：
甚至，可以发现，用属性2就可以解决这个分类问题了。
对属性分类能力的高低，还可以使用无序度（熵）来衡量。
假如有二值，期样本量分别为P和N，T = P + N
那么，无序度D = - P / T * log2 P/T - N/T * log2N/T
由图可以看出，P样本占据总样本的数量越多，或越小，熵越少；
那么，对于每个属性，其分类能力 Q = Σ D，即每个分支的无序度之和，越小越好；
但是，有一个问题，各个分支的权重是一样的，也就是说，如果样本不足，导致某个属性枚举值分支没有样本，那无序度岂不是为0（最好了），这显然不是最合理的。
所以：
Q = Σ ( D * 分支样本数 / 总样本数)
对于属性1：
Q1 = 1/2
同理，对于其他属性
Q2≈0.6
Q3≈0.7
Q4≈0.95
然后，可以去除属性1中，值2和值3的样本，剩余的样本继续再一轮计算属性2，属性3，属性4的熵，得出第二个分支。