本文探讨了在构建决策树模型时如何有效处理数据中的缺失值问题，介绍了几种常见的策略和方法。
决策树在处理缺失值时有如下方法：
1. 在训练模型阶段，如果部分样本的部分特征值缺失，则可以将该数据按比例分成三份进行处理，并计算出这些特征的信息增益。
2. 对于预测数据，在C4.5算法中，当测试样本的某个属性值存在缺失的情况下，会同时探查（即计算）所有可能分支的概率分布。然后依据每个类别的概率大小来确定该样本最有可能归属的类别。
3. 如果在进行分类时遇到新的未见过的数据点含有未知属性，则根据已有文献讨论的方法处理：对这类情况没有特定规则给出，但通常可以参考训练数据中同类特征值出现的比例来进行推断或使用其他补充方法如插补法等来填补缺失信息。
决策树的应用实例包括：
- 使用`csv`模块读取和解析文件；
- 利用`sklearn.feature_extraction.DictVectorizer`将字典形式的数据转换为稀疏矩阵，以便于后续模型训练；
- 应用`preprocessing.LabelEncoder()`对类别型特征进行编码处理。
5星
