决策树学习_牛客题霸

实现一个基于信息增益的决策树学习算法。该算法使用递归的方式构建决策树，通过计算熵和信息增益来选择最优的特征进行数据集划分。请不要使用sklearn的DecisionTreeClassifier模型，建议手动实现。； H为熵的计算公式；IG为信息增益的计算公式

输入描述:

函数接收3个参数：1. examples：列表，包含多个字典，每个字典表示一个训练样本2. attributes：列表，包含可用于划分的属性名3. target_attr：字符串，表示目标属性（类别标签）的名称

输出描述:

返回一个嵌套字典，表示学习到的决策树结构：- 内部节点：`{属性名: {属性值: 子树, ...}}`- 叶节点：直接返回类别值

示例1

输入

[{"outlook": "sunny", "temp": "hot", "humidity": "high", "windy": "false", "play": "no"},{"outlook": "sunny", "temp": "hot", "humidity": "high", "windy": "true", "play": "no"},{"outlook": "overcast", "temp": "hot", "humidity": "high", "windy": "false", "play": "yes"},{"outlook": "rain", "temp": "mild", "humidity": "high", "windy": "false", "play": "yes"}]
["outlook", "temp", "humidity", "windy"]
"play"

输出

{outlook:{overcast:yes,rain:yes,sunny:no}}

备注:

1.对应的输入、输出已给出，您只用实现核心功能函数即可。2.支持numpy、scipy、pandas、scikit-learn库。