上一篇博客我们看了一个决策树分类的例子，但是我们没有深入决策树分类的内部原理。
这节我们讨论的决策树分类的所有特征的特征值都是离散的，明白了离散特征值如何分类的原理，连续值的也不难理解。
决策树分类的核心在于确定那一个特征的那一个特征值分类最有效，可能不同的场景，每个人采用的衡量方法也不一样，这里我们采用香农熵。
下面我们看一下简单的例子
五个样例，两个特征（是否浮上水面，是否有鳍），判断该动物是否是水生（类别）
def createDataSet(): dataSet = [[1, 1, 'yes'], [1, 1, 'yes'], [1, 0, 'no'], [0, 1, 'no'], [0, 1, 'no']] labels = ['no surfacing','flippers'] return dataSet, labels
