利用python实现ID3,C4.5,CART算法，数据属性个数大于等于3，记录数大于等于20，生成三棵对应决策树，再将决策树可视化

在Python中，我们可以利用scikit-learn库来实现ID3、C4.5（也称为CART当用于分类时）、CART（用于回归）这三种决策树算法。首先，你需要满足数据集的要求：属性个数至少为3，记录数不少于20。

以下是步骤概述：

1. **安装必要的库**：
- `sklearn`（包含ID3/C4.5/CART）
- `graphviz`（用于可视化决策树）

pip install scikit-learn graphviz

2. **导入所需模块**：

from sklearn.tree import DecisionTreeClassifier (for classification with ID3 and C4.5)
from sklearn.tree import DecisionTreeRegressor (for CART regression)
from sklearn.datasets import make_classification, make_regression
import matplotlib.pyplot as plt
from sklearn.tree import export_graphviz
from graphviz import Source

3. **创建并训练决策树模型**：
- 对于分类任务：

     X, y = make_classification(n_samples=20, n_features=3, random_state=42) # 示例数据
     dtc = DecisionTreeClassifier(criterion='entropy', max_depth=3) # ID3/C4.5
     dtc.fit(X, y)

- 对于回归任务：

     X, y = make_regression(n_samples=20, n_features=3, random_state=42)
     dtr = DecisionTreeRegressor(max_depth=3) # CART for regression
     dtr.fit(X, y)

4. **可视化决策树**：
使用`export_graphviz`函数导出决策树结构，然后通过Graphviz显示：

   def plot_tree(clf, feature_names):
       dot_data = export_graphviz(clf, out_file=None,
                                feature_names=feature_names,
                                filled=True, rounded=True,
                                special_characters=True)
       graph = Source(dot_data)
       graph.view()
       
   if classification_task:
       plot_tree(dtc, ['特征1', '特征2', '特征3'])
   else:
       plot_tree(dtr, ['特征1', '特征2', '特征3'])

5. **运行完整代码**：
将上述代码片段放入一个单独的文件（如`tree_learning.py`），然后运行它即可生成决策树及其可视化。

注意：实际应用中，可能需要对数据预处理，并针对真实数据调整模型参数。此外，由于这里的例子相对简单，实际项目中可能需要处理缺失值、不平衡数据等问题。