三种求解方法： ID3、C4.5、CART
ID3：利用信息熵原理选择信息增益最大的属性作为分类属性，递归地拓展决策树地分枝，完成决策树的构造。
信息熵（entrop）是度量随机变量不确定性的指标，熵越大，变量的不确定性就越大。假定当样本集合D中第k类样本所占的比例为，则D的信息熵为：
信息熵
Ent(D)的值越小，变量的不确定性越小。当=1时，Ent(D)=0
根据信息熵，可以计算以属性a进行样本划分带来的信息增益：
信息增益
V为根据属性a划分出的类别数、D为当前样本总数，为类别v样本数
Ent(D)：划分前的信息熵 ：划分后的信息熵
目标：划分后样本分布不确定性尽可能小，即划分后信息熵小，信息增益大。
代码实现
