MENTAL MODEL · M6665
ID3算法
Iterative Dichotomiser 3
Version 1.0.0 · 更新于 2026-07-30
CORE DEFINITION · 核心定义
由Ross Quinlan于1986年提出的决策树学习算法：核心概念：- 信息熵 (Entropy)：衡量数据集的不确定性- 信息增益 (Information Gain)：选择属性后不确定性的减少量算法步骤：1. 计算当前数据集的熵2. 对每个属性计算信息增益3. 选择信息增益最大的属性作为分裂节点4. 递归构建子树
SCAFFOLDING EFFECT · 脚手架效应
psychology
降低认知负荷
贪婪选择，快速构建。ID3通过信息增益准则贪婪地选择最佳分裂属性，快速构建决策树。虽然可能不是全局最优，但计算效率高，是C4.5
anchor
锚定快速决策
由 Ross Quinlan 于 1986 年提出的决策树算法。用信息熵度量数据集不确定性，以**信息增益**（分裂后不确定性减少量）为准则**贪婪**地选最佳分裂属性，递归建树。机制是"局部最优逐层逼近"，计算高效，虽非全局最优但是 C4.5 等的基础。
MINIMUM ACTION · 最小行动
进行中 0/4在一个真实场景中练习这个模型：
勾选记录你的进度（本机暂存）
掌握进度0%
account_tree知识谱系 Genealogyexpand_more
menu_book信源参考 Sourcesexpand_more
来源明确性: 明确
- en.wikipedia.orghttps://en.wikipedia.org/wiki/ID3_algorithmverified
PRIVATE NOTES · 仅自己可见
已保存问答
ENTRY Q&A · 可保存至我的笔记
在清晰边界内提问
thinkingmodels 仅基于已发布的条目上下文回答。
你的问题会发送给 thinkingmodels；回答仅使用公开词条上下文。
RELATED MODELS · 相关模型