ID3算法的改进摘要：本文基于ID3算法的原有思路，再把属性的重要性程度值纳入了属性选择的度量标准中，以期获得更适合实际应用的分类划分结果。一、 ID3算法的不足ID3算法使用信息增益作为属性选择度量值，其倾向于选择具有大量值的属性，但没有考虑到属性在实际应用分类中的重要程度，因为依靠取信息熵最大的属性在现实情况中却并不那么重要，因此可能会得到不太有用的划分结果。举个简单的例子，在对淘宝用户行为进行分析时，尽管依据用户ID可以得到最大的信息增益，但是这并不符合分析的要求，因为，我们需要得到的是用户的购买行为，在分析中，我们会更多的考虑用户曾经浏览过的商品或者已经购买了的商品。在这个情景中，根据信息熵来度量属性的选择就不太合理，所以需要对其进行改进。二、改进思路本次设计中在属性选择上加入了属性重要程度值：因为采用信息增益的方法会倾向于选择拥有较多可能属性值的属性，为了弥补这一缺陷，所以在选择时就加入了属性的重要程度值。属性重要程度值考虑了属性在分裂数据中所处的地位。在处理数据的时候，会首先根据经验或需要判断出数据集合里面的属性值的重要程度，例如，在上面淘宝
