一、决策树的概念

决策树是一种 有监督学习算法（也就是说，数据集的类别标签已存在），主要用于分类问题，输入变量和输出变量可以是离散值或连续值。决策树的基本思想是根据输入变量中最具区分性的变量，把数据集分割为两个或两个以上的子集合，如图所示：

二、分类决策树

分类决策树模型可以表示为基于特征对实例进行分类的树形结构（包括二叉树和多叉树）。模型采用贪婪思想进行分裂，即每次都选择可以得到最优分裂结果的属性进行分裂。

贪婪思想：也称为贪心算法，是指在对问题求解时，总是做出在当前看来的最好的选择。也就是说，不从整体最优上加以考虑，算法得到的是在某种意义上的局部最优解。

三、案例说明

我们用下面的例子来简要说明决策树在日常生活中的应用。

如图所示，给定样本数据集，输入的特征变量有性别、年龄、职业等。现在需要建立一个模型来预测谁更喜欢打游戏？那么，我们就需要考虑建立什么样的模型来达到更好的预测效果，此时，首先应该想到的就是决策树，因为它能够明确的找出一个人是否喜欢打游戏的属性依据，从而分离出喜欢打游戏的样本群体。
那么，思考一下，决策树是如何识别划分属性并进行样本数据分割的呢？ 对于这个问题，决策树提供了很多种方法，我们将在后续学习中进行详细的介绍！

请根据本节内容回答以下问题:

决策为树进行分裂的算法思想是什么？