是否学习的决策过程解释：
椭圆框内：是决策树的特征（根据特征来分类），比如<女票>；
表情图：是决策树的类别（决策树是用来分类的），比如<学习>；
有向箭头：是决策树特征的属性值，比如<需要>；
一、整体直观的了解：
决策树算法构成：
- 决策树的构造
- ①决策树的特征选择
- ②决策树的生成
- ③决策树的剪枝过程
- 决策树的决策（遍历）
决策树算法构成的具体解释：
首先，在《是否学习的决策过程》入门案例过程中，重点难点在于怎么构造决策树。这又分为三部份：第一部分①决策树的特征选择，决策树本身是个分类决策做决定的过程，那么对我们做决策有影响（术语叫：信息增益Or信息增益比）的事物就可能作为特征，所以，女票必须是特征；
第二部分②决策树的生成，当我们完成特征选择后，怎么把这些特征排成一颗树呢？哪个特征应该放在树的顶端Or树的中部Or树的底部呢？按照常识，当然是按照重要性（术语叫：信息增益大小）大小来排布了。而女票是个重要性（术语叫：信息增益）最大，所以排第一没毛病！
第三部分③决策树的剪枝：经过②决策树的生成，我们得到的只是一个片面的局部的决策树模型，他只能实现局部最优化，也就是可能在人生的某一时期实现最优化，但不能确保整个人生的最优化。因此为了实现人生损失的最小化（术语叫：损失函数的最小化Or正则化的极大似然估计），就必须进行第三部分的剪枝过程。
其次，根据决策树构成三部分的不同而组成了不同的决策树算法。
决策树的构成
决策树本身是个分类过程，当然有着不同的分法，这就像不同的人拥有着不同的价值观，也就对同一事物（女票第一还是吃鸡第一）有着不同的评价。在业界内，一般有着这样三种不同的评价（女票第一还是吃鸡第一）算法。
决策树的算法
- CART算法--1984年
- ID3算法--1986年
- C4.5算法--1993年（机器学习十大算法之一）
算法的不同具体点说就是决策树组成的三大部分不同，也许是特征选择不同、也许是决策树的生成不同、也许是决策的剪枝不同。最后，当我们通过决策树的算法构造好了一颗决策树后，我们就可以进行决策了。决策树的决策过程简单点说就是决策树的遍历。
具体微观的学习：
这部分主要是上面所说的三大算法的数学学习，侧重点在于C4.5算法（机器学习十大算法之一）
首先，了解一下决策树的CART算法、ID3算法、C4.5算法的同与不同。我们知道，决策树的算法由三大部分构成，那么算法的不同当然是三大部分的不同。所谓的不同？到底是什么不同呢？穷举
决策树算法的不同
其次，来看看三类算法的具体理论、案例、总结。
CART算法：
ID3算法：
C4.5算法：
目前在自学机器学习相关的内容，由于作者水平有限，文中难免有错误和不当之处，欢迎专家和读者给予批评指正。