决策树实现：基于信息增益的ID3算法
实现了决策树的学习以及分类，并采用后向剪枝进行优化，采用信息增益作为学习过程的属性选择依据。
文件目录：
- encode.txt：对各个属性的编码说明
- ID3.cpp：源代码
- TrainData.txt：训练数据
- TestData.txt：测试数据
编码
把每一种属性都用数字来表示。
青绿:0 乌黑:1 浅白:2
蜷缩:0 稍蜷:1 硬挺:2
浊响:0 沉闷:1 清脆:2
清晰:0 稍糊:1 模糊:2
凹陷:0 稍凹:1 平坦:2
硬滑:0 软粘:1
训练
第1行：训练样本个数及其属性个数
第2行：各个属性的属性值的个数
第3-12行：训练样本
10 6
3 3 3 3 3 2
0 0 0 0 0 0 1
1 0 1 0 0 0 1
1 0 0 0 0 0 1
0 1 0 0 1 1 1
1 1 0 1 1 1 1
0 2 2 0 2 1 0
2 1 1 1 0 0 0
1 1 0 0 1 1 0
2 0 0 2 2 0 0
0 0 1 1 1 0 0
测试
第1行：测试样本个数及其属性个数
第2-8行：测试样本
7 6
0 0 1 0 0 0 1
2 0 0 0 0 0 1
1 1 0 0 1 0 1
1 1 1 1 1 0 0
2 2 2 2 2 0 0
2 0 0 2 2 1 0
0 1 0 1 0 0 0
函数功能简介
void InputData(TrainData& data); //输入训练数据
Node* BuildTree(TrainData data, vector<int> vis); //建树（核心），即学习过程
int MostValue(TrainData data); //统计数据中种类最多的那一类
int BestAttribute(TrainData data, vector<int>vis); //找出信息增益最大的那一个属性
double CalGain(TrainData data, int Attr); //计算各个属性的信息增益
double CalEntropy(TrainData data); //计算信息熵
void GetTestData(TestData& Tdata); //输入测试数据
int Judge(Node* root, TestData Tdata, int state); //对测试数据分类
void Prune(Node* root, Node* u, TestData Tdata); //后向剪枝
void PrintTreeStruct(Node* root); //打印树的结构(测试代码用，可以删去这部分)