一、基础准备
有 5 条样本数据，每条样本包含 “不浮出水面是否可以生存”“是否有脚蹼” 这 2 个特征，最终要判断的目标是 “属于鱼类” 的结果（是或否 ），我们的任务就是基于这些特征，构建能判断是否为鱼类的决策逻辑树。
二、计算总熵（数据集整体不确定性）
熵用来衡量数据的混乱、不确定程度。对于 “属于鱼类” 这个目标，数据里 “是” 的有 2 条，“否” 的有 3 条 。按照熵的计算公式：D)=−∑i=1npilog2(pi)
是类别占比 ），算出总熵约为 0.971 。这说明数据集本身因为类别分布不均（不是全是或全否 ），存在一定不确定性。
三、计算条件熵与信息增益（选最优特征）
对每个特征（“不浮出水面是否可以生存” 和 “是否有脚蹼” ），都要做以下操作：
- 拆分数据集：按照特征的不同取值，把原数据集拆成多个子集。比如 “不浮出水面是否可以生存” 取值为 “是” 时，对应样本 1、2、3；取值为 “否” 时，对应样本 4、5 。
- 算子集熵：对每个子集，计算其内部 “属于鱼类” 的熵（算法同总熵 ），衡量子集内部的不确定性。像 “不浮出水面是否可以生存” 取值 “是” 的子集里，“属于鱼类” 是 2 条、否 1 条，算出这个子集熵约 0.918 ；取值 “否” 的子集里，“属于鱼类” 全否，熵就是 0 。
- 算条件熵：把各子集的熵，按照子集在原数据集中的占比加权平均，得到该特征的条件熵。“不浮出水面是否可以生存” 的条件熵约 0.551 ，“是否有脚蹼” 的条件熵约 0.8 。
- 算信息增益：用总熵减去条件熵，得到的差值就是信息增益，它衡量的是用这个特征分类后，数据不确定性降低了多少。“不浮出水面是否可以生存” 信息增益约 0.42 ，“是否有脚蹼” 约 0.171 。我们选信息增益大的特征（这里就是 “不浮出水面是否可以生存” ）作为当前构建决策树的节点，因为它对降低不确定性、分类更有帮助。
四、递归构建子树
选好根节点（“不浮出水面是否可以生存” ）后，按其特征取值拆分出不同子集，对每个子集继续上述流程：
- 对于 “不浮出水面是否可以生存” 取值 “否” 的子集（样本 4、5 ），发现里面 “属于鱼类” 全是 “否”，类别纯净，直接作为决策树的叶节点（结果就是否 ）。
- 对于取值 “是” 的子集（样本 1、2、3 ），此时还剩 “是否有脚蹼” 这个特征可用，重复计算条件熵、信息增益的步骤，基于这个子集选最优特征，继续拆分，直到所有子集类别都纯净（全是或全否 ），不能再分。
五、形成决策树
最终构建出的决策树，根节点是 “不浮出水面是否可以生存”，往下分支后，对需要继续判断的分支，用 “是否有脚蹼” 等剩余特征接着分，形成一个树状的判断流程。比如从根节点 “不浮出水面是否可以生存” 选 “是”，就走到 “是否有脚蹼” 的判断，脚蹼是就判定属于鱼类，脚蹼否就判定不属于，以此类推，把原本零散的数据规律，转化成了清晰、可一步步执行的决策规则 。
总的来说，这整个过程就是用数学方法（信息增益等 ）从数据里挑出最关键的分类特征，然后一层一层递归拆分，把 “是否是鱼类” 的判断变成可视化、可解释的树状逻辑，是从实际数据中归纳分类规则、做决策判断的一种典型思路，能帮我们把复杂的分类问题，拆解成简单的步骤化判断，其中信息增益越大代表熵越小结果越准确 。