Decision Tree (决策树/判定树)是监督学习中的分类算法, 通常预测和分类算法的评估主要体现在:
准确率：预测的准确与否是本算法的核心问题，其在征信系统，商品购买预测等都有应用。
速度：一个好的算法不仅要求具备准确性，其运行速度也是衡量重要标准之一。
强壮行：具备容错等功能和扩展性等。
可规模性：能够应对现实生活中的实际案例
可解释性：运行结果能够说明其含义。
通过信息熵的比较, 选择属性判断节点, 信息增益最大的作为根节点. 关于信息增益的计算需要进一步的理论支持.
在决策树ID3基础上，又进行了算法改进，衍生出 其他算法如：C4.5: （Quinlan） 和Classification and Regression Trees (CART): (L. Breiman, J. Friedman, R. Olshen, C. Stone)。这些算法
其共同点：都是贪心算法，自上而下(Top-down approach)
区别：属性选择度量方法不同： C4.5 （gain ratio，增益比), CART(gini index，基尼指数), ID3 (Information Gain，信息增益)
