tree 动态树 节点树 雪花片树 树型结构是一类应用非常广泛的数据结构。人类社会中宗族的族谱和现代企业的组织形式都是树型结构。在计算机领域中,文件系统中文件的管理结构、存储器管理中的页表、数据库中的索引等也都是树型结构。随着Internet的飞速发展，树型结构在浏览器/服务器（Browser/Server，简称B/S）应用系统的应用也越来越广泛。现在Web树状结构，主要有两类解决办法，一类是在服务器端生成，每次点击树节点，都会提交一次，代表是struts的树状结构，另一类是在客户端靠复杂的J
"程序语言"这门课的课程实验。 给一个自定义语法的语言写一个解释器（Interpreter），首先写了Parser，然后存入剖析树（Parse Tree）对象中，最后根据Parse Tree的结构执行程序，计算出结果。 语法如下： ::= program (1) begin end ::= | (2) ::= | (3) ::= int ; (4) ::= | , (5) ::= |||| (6) ::= = ; (7) ::= if then e
决策树（ Decision Tree ）又称为判定树，是运用于分类的一种树结构。其中的每个内部结点（ internal node ）代表对某个属性的一次测试，每条边代表一个测试结果，叶结点（ leaf ）代表某个类（ class ）或者类的分布（ class distribution ），最上面的结点是根结点。决策树分为分类树和回归树两种，分类树对离散变量做决策树，回归树对连续变量做决策树。构造决策树是采用自上而下的递归构造方法。决策树构造的结果是一棵二叉或多叉树，它的输入是一组带有类别标记的训
树（Tree）在数据结构还是很重要的，这里表示二叉树用括号表示法表示。先写一个二叉树节点类：
// 二叉树节点
class BTNode {
public $data;
public $lchild = NULL;
public $rchild = NULL;
public function __construct($data) {
$this->data = $data;
}
}
然后构造二叉树：
function CreateBTNode(&$root
在上一篇博文Python数据分析（8）—-用python实现数据分层抽样中，实现了实验数据的抽取，那么在本文中，将用上述抽取到的数据进行实验，也就是用决策树进行分类。 在讲解实际的决策树分类之前，需要介绍一下决策树分类的sklearn中决策树模型参数释义：
'''
scikit-learn中有两类决策树，它们均采用优化的CART决策树算法。
（1）回归决策树：DecisionTreeRegressor()
（2）分类决策树：DecisionTreeClassifier()
'''
from sk
决策树（ Decision Tree ）又称为判定树，是运用于分类的一种树结构。其中的每个内部结点（ internal node ）代表对某个属性的测试，每条边代表一个测试结果，叶结点（ leaf ）代表某个类（ class ）或者类的分布（ class distribution ），上面的结点是根结点。决策树分为分类树和回归树两种，分类树对离散变量做决策树，回归树对连续变量做决策树。构造决策树是采用自上而下的递归构造方法。决策树构造的结果是一棵二叉或多叉树，它的输入是一组带有类别标记的训练数据
