算法
ID3算法
$\qquad$ 输入：训练数据集 $D$，特征集 $A$，阈值 $\epsilon$；
$\qquad$ 输出：决策树 $T$。
$\qquad$ (1) 若 $D$ 中所有实例属于同一类 $C_k$，则 $T$ 为单结点树，并将类 $C_k$ 作为该节点的类标记，返回 $T$；
$\qquad$ (2) 若 $A=\varnothing$，则 $T$ 为单结点树，并将 $D$ 中实例数最大的类 $C_k$ 作为该节点的类标记，返回 $T$ ;
$\qquad$ (3) 否则，计算 $A$ 中各特征对 $D$ 的信息增益，选择信息增益最大的特征 $A_g$；
$\qquad$ (4) 如果 $A_g$ 的信息增益小于阈值 $\epsilon$，则置 $T$ 为单节点树，并将 $D$ 中实例数最大的类 $C_k$ 作为该节点的类标记，返回 $T$；
$\qquad$ (5) 否则，对 $A_g$中的每一可能值 $a_i$，依 $A_g=a_i$ 将 $D$ 分割为若干非空子集 $D_i$，将 $D_i$ 中实例最大的类作为标记，构建子结点，由结点及其子结点构成树 $T$，返回 $T$；
$\qquad$ (6) 对第 $i$ 个子结点，以 $D_i$ 为训练集，以 $A-{A_g}$ 为特征集，递归地调用步(1)~步(5)，得到子树 $T_i$，返回 $T_i$。
C4.5算法
$\qquad$ 将 ID3 中信息增益换位信息增益比即为C4.5
