MATLAB编译生成AUTOLISP代码实现可变ID3基因分型决策树分类图的绘制

决策树分类器，是一种基于实例的分类算法，广泛被应用于人工智能领域。ID3算法是最为经典的决策树建树算法，它通过递归和逐次挑选信息量最多的属性来构造决策树。决策树的结构有时非常庞大和复杂，而决策树分类图看起来非常直观，并且可以从建树的原始数据集中挖掘出一些关键的信息，因此决策树图的绘制是非常必要的。本研究从分子生物学领域中的基因分型决策树绘制为实例，浅谈如何使用MALAB语言编译生成AUTOLISP代码，从而实现可变ID3基因分型决策树分类图的绘制。

决策树分类器(decision tree classifier, DTC)，简称决策树，是一种基于实例的归纳分类算法。它专注于从一些松散、零乱的事例中概括出树形式的分类规则。它选用从上到下的递归方法，在决策树的中间节点同其属性值进行比较， 并根据对应的属性值选择向下的分支， 最终在决策树的末端(叶节点)得到分类结论。由于每项决策都可能延伸出两个以上的选项，引出不同的推论，其外形类似树的枝干，故命名为决策树。决策树是使用最广泛的非参数分类方法，其基本思想是将一个复杂的决策分解成若干个简单的决策。相对其他人工智能算法，决策树有以下特点：决策树拥有最直观的知识表达，易于被人们理解和接受；决策树采用非参数方式，不需要使用者干预，非常适用于知识发现；决策树算法能够进行自我调整，当训练数据样本量突增后分类性能不会大幅度下降。目前，决策树分类器以其出色的分类性能，已广泛应用于人工智能领域，如数据挖掘、模式识别和图像分析等。

1.1. 决策树学习算法 决策树诞生于1966 年Hunt 等人提出的CLS 学习算法[1]，它是早期的决策树学习算法。Quinlian 于1979 提出处理离散取值的ID3 算法，和于1993 提出离散和连续取值均可处理的C4.5 算法，以及上世纪八十年代初提出的基于二叉树的快速算法C5.0 算法标志着决策树走向成熟[2]-[6]。下面我们以算法明确和学习能力强的ID3 算法为例，看决策树是如何实现分类的。

ID3 算法： Procedure ID3 (Node n, Instances X, Feature f) 1) Best entropy = 1 2) for each feature f i in f 3) Calculation its conditional entropy H(X/f i) 4) if H(X/f i) < Best entropy 5) Best entropy= H(X/f i) 6) Best feature= f i