ID3决策树
ID3算法缺点：
- 对于具有很多值的属性它是非常敏感的，例如，如果我们数据集中的某个属性值对不同的样本基本上是不相同的，甚至更极端点，对于每个样本都是唯一的，如果我们用这个属性来划分数据集，它会得到很大的信息增益，但是，这样的结果并不是我们想要的。
- ID3算法不能处理具有连续值的属性。
- ID3算法不能处理属性具有缺失值的样本。
- 由于按照上面的算法会生成很深的树，所有容易产生过拟合现象。
C4.5算法
C4.5算法相对于ID3算法主要有以下几个改进:
- 用信息增益比来选择属性
- 在决策树的构造过程中对树进行剪枝
- 对非离散数据也能处理
- 能够对不完整数据进行处理
C5.0算法
C5.0算法相对于ID3算法主要有以下几个改进:
- 速度更快
- 更高效的内存使用
- 建立的决策树更小，C5.0获得的结果与C4.5非常相似，但构建了相当小的决策树。
- 类似的精度：C5.0获得与C4.5类似的精度。
- Boosting支持：提升可以使决策树更准确。
- 加权：使用C5.0，您可以加权不同的属性和错误分类类型。C5.0可以构建分类器，以最大限度地减少预期的错误分类成本而不是错误率。
- 风选：为了帮助降低噪音，C5.0会自动获取数据。风选是指在分类之前检查属性，忽略它找到的属性只是略微相关。
CART算法
- CART与C4.5算法是非常相似的，但是CART支持预测连续的值（回归。
- CART构建二叉树，而C4.5则不一定。
- CART用训练集和交叉验证集不断地评估决策树的性能来修剪决策树，从而使训练误差和测试误差达到一个很好地平衡点。
scikit-learn的实现为CART算法的最优版本，详细文档请参考：https://scikit-learn.org/stable/modules/tree.html
总结
| 有很多值的属性 | 是否能处理缺失值 | 处理数据类型 | 是否剪枝 | |
|---|---|---|---|---|
| ID3 | 敏感 | 否 | 离散 | 否 |
| C4.5 | 不敏感 | 是 | 离散、连续 | 是 |
| C5.0 | 不敏感 | 是 | 离散、连续 | 是 |
| CART | 不敏感 | 是 | 离散、连续 | 是 |
参考文献
[1] https://blog.csdn.net/xlinsist/article/details/51468741
[2] https://blog.csdn.net/qq_27717921/article/details/74784400
[3] https://blog.csdn.net/gumpeng/article/details/51397737
[4] https://blog.csdn.net/leaf_zizi/article/details/83380081