前面提到了，决策树关键的问题在于选择，比如走到“每月收入=？”这个结点时，下一个结点选择“主营业务=？”还是“公司位于哪个地区=？”，这就涉及到了选择。为了解决这些问题，我们引入一些常用的算法，信息增益(决策树ID3训练算法)、增益率(决策树C4.5训练算法)、基尼指数(决策树CART训练算法)。看到这么多算法会不会有点紧张。。。说实话这些算法都大同小异。接下来我们按个去分析~~

本篇文章我们先介绍信息增益。

在介绍信息增益之前呢，我们需要先了解什么是信息什么是熵？

熵：一种事物的不确定性叫做熵。比如：我喜欢一个女生，我不确定她的态度。

什么是信息呢？

信息：消除不确定性的事物。比如：我从她闺蜜那里打听她对我的态度。信息可以调整概率，排除干扰。

有了信息之后，还会有噪音，什么是噪音呢？

噪音：不能消除某人对某件事不确定性的事物。比如：她主动和我聊天了，但是约她出来吃饭，她又不愿意。

那我们平时接触到的数据，既有噪音也有信息。我们需要用经验去判断哪些数据属于信息。