MachineLearning-DecisionTree Algorithm realized by C++
class DedisionTree
{
public:
struct Attr //每一列的属性
{
int colIndex;
string Attribute;
int typeNum; //属性取值的个数
vector<string> AttributeValue;
map<string, unsigned char> typeMap; //属性取值对应的整数值;
};
struct TreeNode
{ //节点信息
string Attribute; //此节点对应的属性
bool LeafNode; //如果是叶子节点，此值反映分类结果。 //其他情况都是0;
vector<TreeNode*> children; //孩子节点的地址。
map<string, TreeNode*> AttributeLinkChildren;
//属性指向孩子节点，也就是对应的树形结构中的树枝
};
//attributes
cv::Mat trainDataMat;
vector<vector<string>> predictedDataMat;
//MatInfo trainMatrixInfo;
TreeNode *root; //根节点
vector<Attr> vectorAttr; //存储所有的矩阵信息，但不存储矩阵。
//functions
DecisionTree(); //默认构造函数
int ReadTrainDataFile(string fileAddress); //数据预处理
TreeNode* BuildTree(cv::Mat &data, vector<Attr> &dataAttr, string AlgorithmName);
// 指定是哪种算法
vector<vector<string>> ReadPredictedDataFile(string fileAddreess);
vector<string> Predicted(TreeNode* root, vector<vector<string>> &pData);
//返回值为int类型表示数据的分类。
～DecisionTree();
}
TreeNode TreeNode 结构体用来存储树的节点信息， Attribute 是std::string类型的数据用来存储当前节点的属性名称，如果该节点是中间节点(分支节点)，那么该值就是对应的属性名称，如果该节点是叶子节点，那么该值就是对应的分类结果。 ** Attr ** Attr 结构体用来存储每一种属性的信息，包括这种属性有多少种不同的离散值,如下表所示表示根据不同的信息得出是否去打高尔夫的简单数据，以第一列数据为例，第一列表示天气属性，那么这一列信息对应着一个Attr结构，Attribute在这里的值就是Outlook，LeafNode及是标志，是否为叶子节点，如果是叶子节点，那么Attr存储的是最后一行分类的某个结果，比如说yes，children存储的是孩子节点的地址，AttributeLinkChildren存储的是孩子节点和属性值的映射关系，仍然以第一列数据为例，如果Outlook的结果是sunny那么此时指向sunny对应的叶子节点的地址。 
trainDataMat cv::Mat trainDataMat 存储训练集的数据，此结构由函数ReadTrainDataFile()生成
predictedDataMat vector<vector> predictedDataMat 存储的是待预测的数据矩阵，此矩阵由vector<vector> ReadPredictedDataFile()函数生成
root TreeNode *root 该属性存储决策树的根节点地址
vectorAttr vector vectorAttr; 存储所有的属性信息
DecisionTree() 默认构造函数
ReadTrainDataFile()
int ReadTrainDataFile(string fileAddress)
此函数执行读取训练数据的功能，输入值为待训练的数据集的地址，数据集的文件要求是必须为csv文件，关于csv文件参考百度百科 并且第一行的属性名称行是不能省略的，如下图的红色部分。此函数内部运行结束直接生成trainDataMat和vectorAttr个数据，这两个数据在后面的操作中非常重要。
BuildTree() TreeNode* BuildTree(cv::Mat &data, vector &dataAttr, string AlgorithmName) 此函数用于生成决策树，函数的返回值是决策树根节点的地址，需要将此值返回给root属性，留给后面的预测时使用。
- data 是训练集数据，类型为OpenCV中的Mat类型，对应类中的trainDataMat
- dataAttr 是训练数据的属性信息，对应类中的vectorAttr
- AlgorithmName 是需要指定的决策树划分节点属性类型的方法，这个类中只支持ID3、C4_5、和Gini这三种方法。
ReadPredictedDataFile()
vector<vector> ReadPredictedDataFile(string fileAddreess);
此函数执行读取待预测数据信息的功能，函数输入为待预测的数据，输出为字符串格式的矩阵。同样该文件是csv文件格式，但和ReadTrainDataFile有所差别就是该数据集不需要第一行的属性信息，如果有第一行的属性信息程序可能会出错，同时也不需要最后一列的标签列，对应的该矩阵的列数一定比训练矩阵的列数少1，行数没有限制。此函数输入的文件格式如下图,
Predicted() vector Predicted(TreeNode* root, vector<vector> &pData) 此函数执行预测的功能,函数的输入参数包括根节点地址root和预测数据矩阵pData。
##Example 下面是简单的应用举例
该类的两次输入分别是训练集和预测的测试集，并且都是csv格式的文件，此外目前算法只支持离散数据的分类，对于连续性数据不能使用，且每一列的属性个数不得多于255种，这是因为在程序设计中，每一列的数据个数的这个属性是采用uchar数据类型，所以不能多于255种，当然我们也可以根据自己的实际情况进行更改。程序的执行流程如下图所示
da::DecisionTree myDecisionTree;
//对训练数据进行操作
myDecisionTree.ReadTrainDataFile("data.csv");
//构建决策树
myDecisionTree.root = myDecisionTree.BuildTree(myDecisionTree.trainDataMat, myDecisionTree.vectorAttr, "ID3");
//
vector<string> result;
vector<vector<string>> predictedData;
//对带预测数据进行操作
predictedData = myDecisionTree.ReadPredictedDataFile("pre.csv");
//预测
result = myDecisionTree.Predicted(myDecisionTree.root, predictedData);
在最后一步的预测中也可以不额外开辟 predictedData数据，因为在ReadPredictedDataFile()函数执行过程中已经备份一份数据到对象的predictedDataMat属性中，所以按照下面的方法会节省空间和时间
result = myDecisionTree.Predicted(myDecisionTree.root, myDecisionTree.predictedDataMat);直接调用对象中的数据即可。
～DecisionTree() ～DecisionTree() 为构析函数