决策树也是最经常适用的数据挖掘算法
决策树可以适用不熟悉的数据集合，并从中提取一系列规则，机器学习算法最终将使用这些规则（ps：专家系统中常用决策树）
优点：计算复杂度不高，输出易于理解，中间值缺失不敏感，可处理不相关特征数据
缺点：可能产生过度匹配
适用：数值型，标称型
原理：找到当前数据集在划分数据分类时 起决定作用的特征 ，为了找到这个特征，必须评估每个特征，再完成测试后，原始数据被分为几个子集，-->递归次过程，直到根分支上都是统一类型
评估方法：1求得信息熵，根据获取最大信息增益的原则划分数据集 ref:信息论度量信息方法。
2基尼不纯度。