决策树分类算法（包含隐形眼镜分类的代码）

决策树-（Detection Tree）

---

首先它是一个有监督学习算法 、属于判别模型 、非线性分类

优缺点：

优点：
（1）能够处理数值型和类别型数据
（2）不需要先验知识和参数假设
（3）适合高维数据
（4）准确性高，计算量小
缺点：
（1）决策树的结果不太稳定，数据很小变化会导致生成一个完全不同的树
（2）决策树学习基于启发式，每次寻找每个节点的局部最优就决策，无法保证全局最优
（3）决策树可以创建很复杂的树，但是可能无法推广，也即是过拟合，为此剪枝很关键
适用数据类型：数值型和标称型。

应用场景：常用于分类和回归，市场营销和生物医药

描述：

参考：决策树学习的本质： 从训练集中归纳出一组分类规则，或者