统计学习方法学习
以信息增益作为划分训练数据集的特征，存在偏向于选择取值较多的特征的问题。使用信息增益比（information gain ratio）可以对这一问题进行校正。这是特征选择的另一准则。 1、计算给定数据集的香浓熵，熵越大，数据越混乱。 def calcShannonEnt(dataSet):
输入：数据集
输出：数据集的香浓熵
描述：计算给定数据集的香浓熵；熵越大，数据集的混乱程度越大
:param dataSet:
:return:
2、按照给定特征划分数据集；去除选择维度中等于选择值得项
输入：数据集，选择维度，选择值
输出：划分数据集
描述：按照给定特征划分数据集；去除选择维度中等于选择值的项
:param dataSet:
:param axis:
:param value:
:return:
3、选择最好的数据集划分维度
输入：数据集
输出：最好划分维度
描述：选择最好的数据集划分维度
:param dataSet:
:return:
4、递归创建决策树
输入：数据集、特征标签
输出：决策树
描述：递归构建决策树，利用上述函数
:param dataSet:
:param labels:
:return:
5、使用决策树进行分类
输入：决策树，分类标签，测试数据
输出：决策结果
描述：跑决策树
:param inputTree:
:param featLabels:
:param testVec:
:return: