C45通常指C4.5决策树算法，是机器学习中一种经典的分类与回归算法，由Ross Quinlan在ID3算法基础上改进提出。C4.5通过信息增益率选择分裂属性，能够处理连续型数据和缺失值，并生成可理解的决策规则。其核心思想是递归地构建树结构，每个内部节点对应一个属性测试，叶子节点对应类别标签。相比ID3，C4.5克服了信息增益偏向多值属性的缺点，并增加了剪枝功能以防止过拟合，因此被广泛应用于数据挖掘、模式识别等领域。
【常见问题】
问题1：c45算法和ID3算法的主要区别是什么？
回答1：c45算法在ID3基础上引入信息增益率替代信息增益，避免偏好取值较多的属性；同时c45支持连续属性离散化、处理缺失值以及后剪枝操作，而ID3仅适用于离散属性且无法处理缺失值。
问题2：c45决策树如何处理连续型属性？
回答2：c45将连续属性值按大小排序，计算相邻值的中点作为候选分割点，选取信息增益率最大的分割点进行二分，从而将连续属性离散化，使得树能够适应数值型输入。
问题3：c45算法中的剪枝策略是什么？
回答3：c45采用后剪枝策略，即先完全生长决策树，再自底向上评估每个非叶子节点，若用该节点子树的叶子节点替换后能降低预测误差（基于训练集或验证集），则进行剪枝，从而简化模型并提升泛化能力。
问题4：c45算法对缺失值如何处理？
回答4：c45在计算信息增益率时，若样本在某个属性上缺失，则仅用该属性有值的样本计算增益，并按权重比例将缺失样本分配到各分支；测试时若遇到缺失属性，则根据各分支的样本比例概率性地选择分支。
