決策樹(Decision Tree)在機器學習中也是比較常見的一種算法，最早的決策樹算法是ID3，改善后得到了C4.5算法，進一步改進后形成了我們現在使用的C5.0算法，綜合性能大幅提高。
算法核心：為每一次分裂確定一個分裂屬性。ID3采用的是“信息增益”為度量來選擇分裂屬性的。
本文在Excel中建模進行決策樹分析，屬於基礎的決策樹學習，有興趣的可以在SPSS Modeler和Python中進行操作。
樹模型（又稱決策樹或者樹結構模型）：基本思想和方差分析中的變異分解極為相似。
目的（基本原則）：將總研究樣本通過某些牲（自變量取值）分成數個相對同質的子樣本。每一子樣本因變量的取值高度一致，相應的變異/雜質盡量落在不同子樣本間。所有樹模型的算法都遵循這一基本原則。
不同樹模型差異：差異在於對變異/雜質的定義不同。比如P值、方差、熵、Gini指數（基尼指數）、Deviance等作為測量指標。
決策樹圖例
現在我們來分析天氣、溫度、濕度、風這些屬性對打球的影響
首先確定樣本集信息熵，然后計算各個屬性的信息增益進行對比分析。
熵：數據集中的不確定性、突發性或隨機性的程度的度量。當一個數據集中的記錄全部都屬於同一類的時候，則沒有不確定性，此時熵為0。
信息增益：按照某個屬性A把數據集S分裂，所得到的信息增益等於數據集S的熵減去各個子集的熵的加權和。
計算是否打球的概率：
計算天氣對打球的影響：
I（晴天）=-0.25*log（0.25,2）-0.75*log（0.75,2）=0.811278
E(天氣）=0.285714*0.811278+0.357143*0+0.357143*0.70951=0.578562
Gain（天氣）=E（all）-E（天氣）=0.940286-0.578562=0.361724
經計算得出天氣的信息增益為0.361724，溫度、濕度和風計算步驟類似
對各屬性的信息增益進行降序排序，選擇最大的作為分裂屬性
