前言：人工智能機器學習有關算法內(nèi)容，人工智能之機器學習主要有三大類：1）分類；2）回歸；3）聚類。今天我們重點探討一下ID3算法。
Hunt、Marin、和 Stone于1966年研制了一個概念學習系統(tǒng)CLS， 可以學習單個概念，并用此學到的概念分類新的實例。John Ross Quinlan（悉尼大學）于1983年研制了ID3算法。
ID3算法是決策樹的一種，它是基于奧卡姆剃刀原理的，即用盡量用較少的東西做更多的事。
ID3算法是以信息論為基礎，以信息熵和信息增益度為衡量標準，從而實現(xiàn)對數(shù)據(jù)的歸納分類。
ID3算法概念：
ID3（Iterative Dichotomiser 3），即迭代二叉樹3代，該算法是一種貪心算法，用來構(gòu)造決策樹【請參加人工智能（23）】。ID3算法起源于概念學習系統(tǒng)（CLS），以信息熵的下降速度為選取測試屬性的標準，即在每個節(jié)點選取還尚未被用來劃分的具有最高信息增益的屬性作為劃分標準，然后繼續(xù)這個過程，直到生成的決策樹能完美分類訓練樣例。
ID3算法核心：
ID3算法核心是“信息熵”。ID3算法通過計算每個屬性的信息增益，認為信息增益高的是好屬性，每次劃分選取信息增益最高的屬性為劃分標準，重復這個過程，直至生成一個能完美分類訓練樣例的決策樹。
ID3算法本質(zhì)：
在信息論中，期望信息越小，那么信息增益就越大，從而純度就越高。ID3算法本質(zhì)是以信息增益來度量屬性的選擇，選擇分裂后信息增益最大的屬性進行分裂。該算法采用自頂向下的貪婪搜索遍歷可能的決策空間。
在決策樹的每一個非葉子結(jié)點劃分之前，先計算每一個屬性所帶來的信息增益，選擇最大信息增益的屬性來劃分，因為信息增益越大，區(qū)分樣本的能力就越強，越具有代表性，很顯然這是一種自頂向下的貪心策略。
ID3算法步驟：
計算各屬性的信息增益，找出最大者為根節(jié)點
1）先驗熵：沒有接收到其他屬性時的平均不確定性；
2）后驗熵：接收到輸出符號Vj時關于信源的不確定性 ；
3）條件熵：對后驗熵在輸出符號集V中求期望，接收到全部符號后對信源的不確定性 ；
4）信息增益：先驗熵與條件熵的差，是信宿端所獲得信息量；
5）對剩余屬性重復上述步驟。
ID3算法計算每個屬性的信息增益，并選取具有最高增益的屬性作為給定集合的測試屬性。對被選取的測試屬性創(chuàng)建一個節(jié)點，并以該節(jié)點的屬性標記，對該屬性的每個值創(chuàng)建一個分支據(jù)此劃分樣本。
具體算法流程如下：
ID3優(yōu)點：
1） 算法結(jié)構(gòu)簡單；
2） 算法清晰易懂；
3） 非常靈活方便；
4） 不存在無解的危險；
5） 可以利用全部訓練例的統(tǒng)計性質(zhì)進行決策，從而抵抗噪音。
ID3缺點：
1） 處理大型數(shù)據(jù)速度較慢，經(jīng)常出現(xiàn)內(nèi)存不足；
2） 不能處理連續(xù)型數(shù)據(jù)，只能通過離散化將連續(xù)性數(shù)據(jù)轉(zhuǎn)化為離散型數(shù)據(jù)；
3） 不可以并行，不可以處理數(shù)值型數(shù)據(jù)；
4） 只適用于非增量數(shù)據(jù)集，不適用于增量數(shù)據(jù)集，可能會收斂到局部最優(yōu)解而非全局最優(yōu)解，最佳分離屬性容易選擇屬性值多一些的屬性；
5） 沒有對決策樹進行剪枝處理，很可能會出現(xiàn)過擬合的問題。
注： ID3（并行）和ID3（number）解決了缺點3）的2個問題。
ID3應用場景：
決策樹ID3算法是一個很有實用價值的示例學習算法，它的基礎理論清晰，算法比較簡單，學習能力較強，適于處理大規(guī)模的學習問題，是數(shù)據(jù)挖掘和知識發(fā)現(xiàn)領域中的一個很好的范例，為后來各學者提出優(yōu)化算法奠定了理論基礎。ID3算法特別在機器學習、知識發(fā)現(xiàn)和數(shù)據(jù)挖掘等領域得到了極大發(fā)展。
結(jié)語：
ID3算法是基本的決策樹構(gòu)建算法，作為決策樹經(jīng)典的構(gòu)建算法，具有算法結(jié)構(gòu)簡單、理論清晰易懂、學習能力較強和靈活方便的特點。但也存在著不能處理連續(xù)型數(shù)據(jù)，不適用于增量數(shù)據(jù)集，處理大型數(shù)據(jù)速度較慢，可能會出現(xiàn)過擬合等缺點。ID3算法在世界上廣為流傳，得到極大的關注。ID3算法特別在機器學習、知識發(fā)現(xiàn)和數(shù)據(jù)挖掘等領域得到了極大發(fā)展。
