决策树模型中数据划分的准则，id3算法简单步骤?

决策树的分裂准则

一、ID3决策树-以信息增益为准则来选择划分属性的决策树

二、C4.5决策树-以信息增益率为准则来选择划分属性的决策树

三、CART决策树-以基尼指数为准则来选择划分属性的决策树

在详细讲解决策树的分类准则以前，第一了解信息熵和条件熵的定义：

信息熵-度量样本集合纯度经常会用到的一种指标

​

ID3作为一种经典的决策树算法是根据信息熵来选择好的测试属性，其选择了现目前样本集中具有大信息增益值的属性作为测试属性。

样本集的划分则依据了测试属性的取值进行，测试属性有多少种取值就可以区分找出多少的子样本集；同时决策树上与该样本集对应的节点长出新的叶子节点。

ID3算法按照信息论理论，采取划分后样本集的无法确定性作为衡量划分样本子集的好坏程度，用“信息增益值”度量无法确定性-信息增益值越大，无法确定性就更小，这个问题就促使我们找到一个好的非叶子节点来进行划分。

什么是回放增益？不一样的CD在录制时，音量选择都会不一样，就算同一张专集，为了提高音乐的情感表现，音量也会带来一定不一样，既然如此那，压缩出来的各自不同的格式音量就更相互不一样。

“回放增益”是通过对音频文件的扫描分析检测到的一个好的增益值，在以后的播放中假设使用这个增益值完全就能够把音频文件的音量调整到好的水平，以此减少甚至不要不一样音频文件当中的音量差异。

回放增益可以自动计算该音乐文件或者专辑平均强度和标准强度（83SLB）当中的差值，并且保存这些增益信息（大多数情况下保存在文件标签中），提供给播放器自动调整音量使用。

打开foobar，文件、参数选项、播放，好选择“应用增益并按照峰值阻止削波失真”选项。

应用增益就是把不一样增益水平的歌曲回放时保持输出声音差很少大，例如有的歌曲播放音量很小，这首歌曲回放时就可以自动增多放大倍数，保证跟其它歌唱听起来差很少高。

但增多放大倍数有一个弊端，例如某些大变动范围的古典音乐，有部分章节音量很小，有部分音量很大，假设这个也使用增益，就可能致使削波失真，就是音量大的部分的峰值信号丢失，这样还要选择“应用增益并按照峰值阻止削波失真”选项了。