- 信息论基础（熵 联合熵 条件熵 信息增益 基尼不纯度）
信息熵：信息熵是度量样本集合纯度常用的一种指标。在信息论中，熵（英语：entropy）是接收的每条消息中包含的信息的平均量，又被称为信息熵、信源熵、平均自信息量。这里，“消息”代表来自分布或数据流中的事件、样本或特征。（熵最好理解为不确定性的量度而不是确定性的量度，因为越随机的信源的熵越大。）来自信源的另一个特征是样本的概率分布。
联合熵：联合熵就是度量一个联合分布的随机系统的不确定度。参考概率性里面的联合概率。
条件熵：在得知某一确定信息的基础上获取另外一个信息时所获得的信息量。参考概率性里面的条件概率。
信息增益：信息增益代表使用属性a带来的纯度提升，信息增益越大，带来的纯度提升越大。计算公式就是父节点的信息熵减去所有子节点的信息熵。还是个条件概率的概念。
基尼不纯度：从一个数据集中随机选取子项，度量其被错误的划分到其他组里的概率。
2.决策树的不同分类算法（ID3算法、C4.5、CART分类树）的原理及应用场景
决策树的基本步骤：特征选择，决策树生成，决策树剪枝。
决策树生成的过程就是将数据集不断划分成为纯度更高，不确定更小的子集的过程。
ID3算法：ID3的算法计算的是信息增益，缺点是喜欢选择选项多的特征
C4.5算法：在ID3的基础熵增加信息增益率，采用了悲观剪枝，采用了离散化处理连续属性，处理缺失值
CART：采用基尼系数划分数据，同时决定改特征的最优二值切分点，可针对离散和连续型，可以做分类和回归。
- 回归树原理
将数据和属性向纯度高的方向进行分类
- 决策树防止过拟合手段
剪枝
- 模型评估
回归参照线性回归评价指标，分类参照Logistic评价指标
