بخش اول:

مقاله ای که در زیر خلاصه شده است مربوط به درخت فازی ID3 می باشد که کاری است از آقای Umano :خلاصه:یکی از الگوریتمهای خوب و معمول برای ایجاد درخت تصمیم ، الگوریتم ID3 است. از آنجاییکه همیشه داده ها Crisp نمی باشند ، وجود یک درخت فازی ضروری به نظر می آید. به همین دلیل یک روش فازی برای درخت تصمیم در این مقاله آورده شده است.در اینجا سریعا به سراغ اصل مطلب و الگوریتم ارائه شده برای این درخت تصمیم می رویم و از کارهای مشابه اشاره شده در مقاله صرف نظر می کنیم ناگفته نماند که در زمینه درخت تصمیم فازی کارهای خوب دیگری نیز انجام شده است .الگوریتم اصلی Fuzzy ID3 این الگوریتم بسیار شبیه است به الگوریتم ایجاد درخت تصمیم ID3 . ابتدا به روند کلی الگوریتم می پردازم و سپس با مثال نحوه انجام محاسبات و در نهایت نحوه استنتاج در این الگوریتم را بیان خواهم کرد.

یک مثال از مجموعه تعلیم D و درخت فازی آن در زیر مشاهده می شود:

 

تعاریف :D : مجموعه تمامی داده های آموزش یا تعلیم Ai : فرض می شود هر داده ای l ویژگی (attribute) به صورت AI , A2, . . ., Al دارد C={C1,C2,.. . ,Cn} : کلاسهای موجود در داده های تعلیم می باشندFi1, Fi2, . . ., Fim  : مجموعه فازی های مربوط به ویژگی Ai می باشندDck : زیرمجموعه فازی از D که کلاس مربوطه اش Ck باشد.|D|: مجموع مقادیر تعلقات به یک مجموعه فازی در داده ها ی D می باشد. به عنوان مثال

الگوریتم تولید درخت تصمیم ID3 در پست بعد ارائه می شود