特征划分的目标是将数据集按照特征的取值划分成不同的子集，使得子集内的样本尽可能属于同一类别，同时子集间的纯度差异尽可能大。预剪枝：在决策树生成的过程中，对每个节点进行判断，如果某个节点没有提高模型泛化能力，则停止该节点的细分，并将该节点设为叶子节点。悲观剪枝：悲观剪枝是指将子树替换为单个叶子节点的策略，即将子树中所有的叶子节点都替换为一个新的叶子节点，并重新计算模型的泛化误差。决策树的构建过程通常

输入没有标签的新数据后，将新的数据的每个特征与样本集中数据对应的特征进行比较，然后算法提取样本最相似数据(最近邻)的分类标签。# 输入：inX - 用于分类的数据（测试集）；#dict.get(key,default=None),字典的get()方法,返回指定键的值,如果值不在字典中返回默认值。#使用s.split(str="",num=string,cout(str))将字符串根据'\t'分隔符

输入没有标签的新数据后，将新的数据的每个特征与样本集中数据对应的特征进行比较，然后算法提取样本最相似数据(最近邻)的分类标签。# 输入：inX - 用于分类的数据（测试集）；#dict.get(key,default=None),字典的get()方法,返回指定键的值,如果值不在字典中返回默认值。#使用s.split(str="",num=string,cout(str))将字符串根据'\t'分隔符