机器学习--决策树（信息熵，信息增益，信息增益率，基尼值，基尼指数）
决策树是根据条件分支语句if-else产生的，决策树是一种树形结构，每一个内部节点表示是一个属性上的判断，每一个分支表示判断结果的输出，每一个叶子节点表示分类结果，本质上就是多个判断节点的树。
在使用决策树的时候会提到熵的概念
熵：熵表示混乱程度，越混乱熵值越大，越有序熵值越小，在信息论里，有着信息熵的概念。
信息熵：p(x)表示第k类样本的数量除以样本总量
信息增益：信息增益是表示数据集中某个特征X的信息使类Y的信息的不确定性减少的程度（描述不清，上图看更直观）
案例体现：
信息增益率：
基尼值以及基尼指数：
案例体现：
总结：
明天更新一下决策树的剪枝，包括预剪枝，后剪枝以及cart剪枝
