决策树算法例题：假设现在我们想预测的是，女性到底想要嫁什么样的人。我们现在手里拥有一些未婚男性的数据，其中包括了收入、房产、样貌、学历等字段。利用决策树的思想，构建出一个完整的决策树了，从此之后，有任何男青年放在这儿，我们都能通过决策树，轻松预测出，此人是否可嫁。决策树（Decision Tree）是一种以树形数据结构来展示决策规则和分类结果的模型，它是将看似无序、杂乱的已知实例，通过某种技术手段将它们转化成可以预测未知实例的树状模型。
决策树的定义：
决策树（Decision Tree），又称判断树，它是一种以树形数据结构来展示决策规则和分类结果的模型，作为一种归纳学习算法，其重点是将看似无序、杂乱的已知实例，通过某种技术手段将它们转化成可以预测未知实例的树状模型，每一条从根结点（对最终分类结果贡献最大的属性）到叶子结点（最终分类结果）的路径都代表一条决策的规则。
决策树也是一种监督学习的分类算法，要求输入标注好类别的训练样本集，每个训练样本由若干个用于分类的特征来表示。决策树算法的训练目的在于构建决策树，希望能够得到一颗可以将训练样本按其类别进行划分的决策树。
决策树算法例题：女性到底想要嫁什么样的人？
案例：假设现在我们想预测的是，女性到底想要嫁什么样的人？我们现在手里拥有一些未婚男性的数据，其中包括了收入、房产、样貌、学历等字段。
提示：在构建决策树时，每次都要选择区分度最高的特征，使用其特征值对数据进行划分，每次消耗一个特征，不断迭代，直到所有特征均被使用为止。
如果还未使用全部特征，剩下的训练样本就已经具有相同类别了，则决策树的构建可以提前完成。
如果使用全部特征后，剩下的训练样本中仍然包含一个以上的类别，则选择剩下的训练样本中占比最大的类别作为这批训练样本的类别。
利用决策树的思想，首先我们要考虑的是，上述哪些条件在女性选择男友时最重要的考量指标？好了，假设我就比较在意收入、比较在意物质好了，那么我构建的决策树应该是什么样的呢？来张图大家就明白了。
如上图所示，我们可以从这几个方面去判断是否要嫁。首先，看其收入是否达到1w元，未达标的不嫁，从已经合格的人群中继续挑选，是否有房产，没有的不行，以此类推，我们将所有的重要指标都过滤一遍以后，就构建出一个完整的决策树了，以后任何男青年放在这儿，我们都能通过决策树，轻松预测出，此人是否可嫁。
图中的收入、房产、学历等都属于特征，每一个特征都是一个判断的节点，那些不可再向下延伸的就是叶子节点。可再分的称之为分支节点。