决策树学习的目的是为了产生一棵泛化能力强的决策树，其基本流程遵循简单且直观的分而治之的策略
1 决策树递归返回的三个条件：
（1）当前节点包含的样本属于同一类别；
（2）当前属性集为空，或者所有样本在所有属性值上取值相同，无法划分
（3）当前节点包含的样本集合为空，不能划分
2 划分选择
决策树学习的关键是如何选择最优的划分属性，划分的选择有信息增益，信息增益率和基尼指数，分别对应ID3,C4.5和CART算法。
假设样本集合D，离散特征a有v个可能的取值，若用a进行划分，则可以产生v 个节点，其中第v个结点包含了所有在a上取值为a^v的样本D^v
2.1 信息增益
信息熵
信息增益
一般而言，信息增益越大，则意味着使用属性a来进行划分所获得的纯度提升越大，因此信息增益可以用来进行决策树的划分属性选择。
缺点：信息增益偏向取值类别多的属性
2.2 信息增益率