机器学习例题 现有如表4.1所示数据集，需要通过给定的数据集实现一棵决策树（基于ID3算法）来对今天的天气是否适合打网球做出预测（将最后4行数据作为测试集，其他所有数据作为训练集)。

首先，让我们了解一下如何使用ID3算法（一种基于信息增益的决策树算法）来解决这个任务。ID3算法通常用于分类问题，比如判断某个属性值是否满足特定条件来决定类别。

**步骤1**: 加载数据集（假设它是一个CSV文件，每行代表一条记录，最后一列是目标变量“是否适合打网球”）

**步骤2**: 分析数据集并计算每个特征的信息熵或基尼指数，这是选择最优特征分裂的标准。

**步骤3**: 划分数据集。将前n-4行（n为总行数）作为训练集，剩下的4行作为测试集。

**步骤4**: 对于训练集，开始递归地构建决策树：
a. 找到当前信息增益最大的特征。
b. 根据该特征的取值，分割数据集，并递归地为每个子节点创建子树。
c. 如果所有样本属于同一类别，或者没有更多可用的划分，则停止递归，设置叶节点为该类别。

**步骤5**: 使用训练好的决策树对测试集进行预测。

**步骤6**: 计算预测结果的准确率或其他评估指标。

下面是一些相关的Python代码片段示例（使用sklearn库），但请注意，由于这是一个文本环境，实际编写代码可能需要在本地环境中运行：

import pandas as pd
from sklearn.tree import DecisionTreeClassifier
from sklearn.model_selection import train_test_split

# Step 1: Load the dataset
data = pd.read_csv('your_dataset.csv')

# Step 2: Split data (train and test)
X = data.iloc[:-4] # Training set
y = data['是否适合打网球'][-4:] # Target variable for testing
X_train, X_test, y_train, y_test = train_test_split(X.drop('是否适合打网球', axis=1), y, test_size=0.2)

# Step 3: Build the decision tree
clf = DecisionTreeClassifier()
clf.fit(X_train, y_train)

# Step 4: Predict on test set
predictions = clf.predict(X_test)

# Step 5: Calculate accuracy
accuracy = clf.score(X_test, y_test)