决策树分类在持征选择时，选择特征的准则中常用的信息增益及信息增益比分别是什么;着对如下的数据售构造决策树时，根结点将会报据信息增益选取持征，请你计算备个特征的值息增益，

信息增益和信息增益比是决策树分类中常用的特征选择准则。其中，信息增益是指在决策树构建中选择某个特征进行划分后，相对于没有进行划分前，样本集合的信息不确定性减少的程度。信息增益比则是在信息增益的基础上，对特征本身固有的信息量进行了惩罚，避免选择取值较多的特征。信息增益比计算公式为：信息增益比 = 信息增益 / 特征熵。

在给定数据集中，计算某个特征的信息增益的步骤如下：
1. 计算数据集的信息熵，即对于每个类别计算其概率，然后将概率代入公式H=-∑p*log2(p)，求和得到信息熵H(D)。
2. 计算按照该特征划分后的信息熵，即对于每个特征值，计算其在该特征下的样本集合，然后按照类别计算概率，最后将概率代入公式H=-∑p*log2(p)，求和得到信息熵H(D|A)。
3. 计算信息增益，即信息增益 = H(D) - H(D|A)。

举个例子，假设有如下数据集，其中“是”和“否”为类别标签，A、B、C为特征：

| A | B | C | 类别 |
|:-:|:-:|:-:|:----:|
| 0 | 0 | 0 |  是  |
| 0 | 1 | 0 |  是  |
| 1 | 0 | 0 |  否  |
| 1 | 1 | 1 |  否  |

我们以特征A为例进行计算：
1. 计算数据集的信息熵：H(D) = -(2/4)*log2(2/4)-(2/4)*log2(2/4) = 1。
2. 计算按照特征A划分后的信息熵：
- 当A=0时，样本集合为{(0,0,0), (0,1,0)}，类别为“是”和“是”，概率分别为1/2和1/2，因此H(D|A=0) = -(1/2)*log2(1/2)-(1/2)*log2(1/2) = 1。
- 当A=1时，样本集合为{(1,0,0), (1,1,1)}，类别为“否”和“否”，概率分别为1/2和1/2，因此H(D|A=1) = -(1/2)*log2(1/2)-(1/2)*log2(1/2) = 1。
- 因此，按照特征A划分后的信息熵为H(D|A) = (2/4)*1 + (2/4)*1 = 1。
3. 计算信息增益：信息增益 = H(D) - H(D|A) = 1 - 1 = 0。

因此，特征A的信息增益为0，说明按照特征A进行划分并不能对样本集合的信息不确定性进行有效的减少，因此不是一个好的特征。