决策树（DecisionTree）算法：按照样本的属性逐步进行分类，为了能够使分类更快、更有效。每一个新分类属性的选择依据可以是信息增益IG和信息增益率IGR，前者为最基本的ID3算法，后者为改进后的C4.5算法。
以ID3为例，其训练过程的编程思路如下：
（1）输入x、y（x为样本，y为label），行为样本，列为样本特征。
（2）计算信息增益IG，获取使IG最大的特征。
（3）获得删除最佳分类特征后的样本阵列。
（4）按照最佳分类特征的属性值将更新后的样本进行归类。
属性值1（x1，y1） 属性值2（x2，y2） 属性值（x3，y3）
（5）分别对以上类别重复以上操作直至到达叶节点（递归调用）。
叶节点的特征：
（1）所有的标签值y都一样。
（2）没有特征可以继续划分。
测试过程的编程思路如下：
（1）读取训练好的决策树。
（2）从根节点开始递归遍历整个决策树直到到达叶节点为止。
以下为具体代码，训练后的决策树结构为递归套用的字典，其是由特征值组成的索引加上label组成的。