前言：人工智能機器學習有關算法內容，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，從而實現對數據的歸納分類。

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，用來構造決策樹【請參加人工智能（23）】。ID3算法起源于概念學習系統（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：

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)建一個分支據此劃分樣本。

具體算法流程如下：

ID3優(yōu)點：

1） ? 算法結構簡單；

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計性質進行決策，從而抵抗噪音。

ID3缺點：

1） ? ?處理大型數據速度較慢，經常出現內存不足；

2） ? ?不能處理連續(xù)型數據，只能通過離散化將連續(xù)性數據轉化為離散型數據；

3） ? ?不可以并行，不可以處理數值型數據；

4） ? ?只適用于非增量數據集，不適用于增量數據集，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，是數據挖掘和知識發(fā)現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)現和數據挖掘等領域得到了極大發(fā)展。

結語：

ID3算法是基本的決策樹構建算法，作為決策樹經典的構建算法，具有算法結構簡單、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)型數據，不適用于增量數據集，處理大型數據速度較慢，可能會出現過擬合等缺點。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)現和數據挖掘等領域得到了極大發(fā)展。