实验名称：决策树算法 （1）实验目的：掌握决策树算法的基本理论；掌握决策树算法框架；理解决策树学习算法使用Python实现决策树实验（2）主要内容：设计算法实现熵、经验条件熵、信息增益等方法。实现ID3算法。熟悉sklearn库中的决策树算法； 建立对模型评价、画出决策树、混淆矩阵、ROC曲线、对属性的重要性排序。 实验数据乳腺癌数据集

实验步骤：
1. 导入数据集并进行数据预处理，包括数据清洗、数据转换、数据标准化等。
2. 计算熵、经验条件熵、信息增益等方法，进行特征选择，确定决策树的分裂节点。
3. 实现ID3算法，并进行模型训练和预测。
4. 使用sklearn库中的决策树算法，进行模型训练和预测，并与ID3算法进行比较。
5. 对模型进行评价，包括准确率、召回率、F1值、混淆矩阵、ROC曲线等。
6. 对属性的重要性进行排序，确定哪些属性对模型的影响最大。
7. 根据模型评价和属性重要性排序结果，对模型进行优化和调整。

实验数据：
乳腺癌数据集包含569个样本，每个样本有30个特征，其中包括肿块的质地、肿块的大小、肿块的形状等。样本被标记为良性或恶性，目标是根据这些特征预测肿瘤是否为恶性。