决策树实战：眼镜类型预测与WiFi位置估计

本编程作业涉及两个任务，分别是利用决策树进行隐形眼镜类型预测和用户房间定位。首先，任务一是关于一个经典的机器学习案例，即通过眼科医生的建议和患者的生理数据（如年龄、近视/远视类型、散光、是否易流泪）来预测隐形眼镜的材质类型（硬、软或不适用）。参与者需要使用Python处理数据，包括解析文本文件，确保数据的准确性和完整性，然后构建决策树模型进行训练。提交的成果应包括决策树的可视化表示和实验报告，解释模型如何根据输入特征做出决策。 在任务二中，目标是基于用户的WiFi信号信息（如BSSID标识符、信号强度RSS、房间标签等）来预测用户所在的房间。数据集提供的是TrainDT.csv和TestDT.csv两个文件，其中包含BSSID的多个属性，如BSSID集合、RSS值、房间号和SSID名称。关键在于特征工程，因为不同用户接收到的BSSID和RSS可能存在差异。为了处理这种情况： 1. 对于连续值，可以将其离散化为接收到（1）和未接收到（0）的属性，或者通过二分法划分，计算每个划分点的信息增益。 2. 特征构造上，由于不同样本的BSSID集合不一致，采用所有样本BSSID的并集作为特征，形成独特的“指纹”，其中接收到的BSSID标记为1，缺失值用0填充。 3. 处理缺失值时，不仅考虑常规的填充方式，还可以将缺失值视为一种特殊的特征，例如使用-100或特定编码。 举例说明部分提到，对于只接收到3个BSSID的情况，特征表示会记录这些BSSID的存在情况，并用1表示接收到，0表示未接收到。完成这两个任务后，参与者需要编写代码实现决策树的构建，以及对测试数据的预测，并可能需要撰写一份关于算法选择、特征选择和性能评估的报告。这个作业着重于实际应用决策树算法解决现实场景中的问题，锻炼学生的数据分析、特征工程和编程能力。