ID3算法的实现步骤：
输入：数据集（训练集）S及属性A 输出：属性A对训练数据集S的信息增益
① 先将S作为根节点，其目标属性y有c个类别属性。假设S中出现的概率，计算数据集S的信息熵。
② 假设属性A有k个不同取值，因此将S划分为k个子集,计算属性A对数据集S的信息熵。
③ 计算按照属性A划分S的信息增益
④ 信息增益越大，说明使用属性A进行划分的子集越纯，越有利于将不同样本分开。所以选择信息增益最大的属性作为决策树的节点由该属性的不同取值建立子节点；再对子节点递归的调用以上方法，构建决策树；直到所有特征的信息增益均很小或没有特征可以选择为止。最后得到一个决策树。
利用ID3算法构建天气数据集的决策树模型：
天气数据集：
① 计算数据集S的信息熵。
该天气数据集的样本数为14，目标属性play有{yes,no}两个取值，取值为yes的有9个，取值为no的有5个，因此对应的，。所以数据集S的信息熵为
② 计算各个属性A对数据集S的信息熵及信息增益。
属性outlook：有三个取值{sunny，overcast，rainy}分别为，，。每个取值对应的情况分别为：
sunny-----5个：其中目标属性yes：2个，no：3个
overcast—4个：其中目标属性yes：4个，no：0个
rainy—---5个：其中目标属性yes：3个，no：2个
因此
按照属性outlook来划分S后的熵及信息增益为：
同理按照属性temperature、humidity 和windy 来划分S 后的熵和信息增益分别为：
③ 比较以上几个属性的信息增益可知，按outlook 属性来划分获得的信息增益最大，因此选择outlook 属性作为树的根节点的划分属性。
④ 按照其他三个属性对outlook中的sunny进行划分，计算步骤同①②两步。计算过程如下：H(S1)=0.9710
由此可见sunny分支中按照humidity 属性进行划分的信息增益最大，所以outlook的sunny分支选择humidity 作为划分属性，并且不再需要继续划分节点。
⑤ 对outlook中overcast分支划分后的子节点已经是纯的，因此不再需要继续划分节点。
⑥ 按照④中同样的方式对outlook中rainy分支进行划分。最后计算得出按照windy 属性划分得到的子节点完全是纯的，因此，对outlook中rainy分支选择windy 作为划分属性，并且不再需要继续划分节点。
⑦ 最终得到的决策树如下图所示：
实现决策树的可视化：
首先加载天气数据集，将训练数据集属性与目标属性从数据集中分别用train与traintargets存储，接着调用ID3函数构建决策树模型，然后对测试样本进行分类，最后算出预测天气问题结果的正确率。其中ID3函数中先用buildTree函数构建决策树，再用plotTree函数绘制决策树，最后用classifyTree函数使用训练好的决策树对未知样本分类。
代码如下：
load('weatherNominal.mat');train = table(weather.(1), weather.(2), weather.(3), weather.(4), 'VariableNames', {'outlook' 'temperature' 'humidity' 'windy'});traintargets = weather.(5);test = train;testtargets = traintargets;canplay = ID3(train, traintargets, test);disp('天气问题结果');correct = sum(canplay == testtargets ) / length(canplay);fprintf('正确率为：%3.1f%%\n', correct * 100);
实验结果如下：
机器学习题5：请简述ID3算法的实现步骤 并利用ID3算法构建天气数据集的决策树模型 实现决策树的可视化。
如果觉得《机器学习题5：请简述ID3算法的实现步骤 并利用ID3算法构建天气数据集的决策树模型 》对你有帮助，请点赞、收藏，并留下你的观点哦！
