OneR全稱:One Rule，顧名思義，就是規則的意思。也就是說，我們最終可以只根據訓練集中的壹個特征對數據進行分類。如果只使用壹種規則，顯然這種分類的準確性不會很高，但這種簡單的算法也可以在壹些特定的數據集中獲得更好的性能。
為了理解這種算法的工作原理，讓我們舉壹個簡單的例子:根據人的身高、眼睛大小和膚色的數據將人分類為男性或女性。這些數字不屬於特征類別，只是為了稍後介紹數據。
數量、身高、眼睛大小、膚色和性別
1 180正常白人男性
2 175年長的黑人男子
3 170正常黑人男性
4 170名老年黑人婦女
5 165正常白化女性
6 160年長的白人女孩
在上表中隨機寫入壹系列數據。讓我們介紹壹下基於這些數據的OneR算法。
由於OneR算法是根據壹個規則，即某個特征進行分類的，因此如何找到這個規則就顯得更加重要。
以上面的例子為例，我們有三個特征:身高、眼睛大小和膚色。身高屬於連續值的範疇，眼睛大小屬於離散數據:正常和大，膚色也是離散數據:白色和黑色。
首先，我們用壹個簡單的方法將其轉換為離散值，並將大於（或等於）平均高度的記錄為1，小於平均高度的記錄為0，因此當前數據是這樣的。
數量、身高、眼睛大小、膚色和性別
1 1正常白人男性
2 1年長的黑人
3 1正常黑人男性
4 1年長的黑人女孩
5 0名正常的白化病女性
6 0個年長的白人婦女
然後我們需要根據這些數據找到壹個可以用於分類的特征規則。這個特征是基於身高、眼睛大小和膚色嗎？
事實上，根據我們的生活常識，我們知道在這三個特征中，身高的可靠性相對較高。但是如何通過計算找到身高的特征呢？
如何找到分類的規則（特征）。
其實簡單想想，當然使用這個功能後，我們的除法結果正確率是最高的。我們需要進行壹些簡單的計算，以確保使用該特征的分類具有最高的準確性。因為只有最高的準確率才能得到更正確的分類結果，我們的任務可以轉化為尋找壹個特征，根據這個特征進行分類時才能得到最高的準確率。
但是，應該理解的是，壹個特征可能有多個特征值，因此要計算該特征的準確性，必須包括所有特征值。也就是說，該特征的精度是根據所有特征值計算的。對於某個特征對應的特征值，當然是選擇分類最多的壹個作為這個特征值的分類結果，然後根據這個特征值的分類結果計算錯誤的個數。最後，計算該特征的精度。
下面，分別計算上述樣本集中身高、眼睛大小和膚色的準確度。
身高。
我們可以看到身高* * *的特征有兩個特征值:0和1。
如果身高特征值為1，那麽滿足特征值的數據編號為{1，2，3，4}，對應的分類為{男，男，男，女}。顯然，如果身高特征值為1，那麽在這個樣本集中，男生占3/4，女生占1/4。然後我們選擇分類結果最多的壹個作為身高特征值為1的分類結果，即性別為男性。所以現在我們可以簡單的認為如果身高特征值是1，我們可以簡單的認為性別是男性。但顯然，這個結論是錯誤的。該樣本集的錯誤數為1，因為當身高特征值為1時，有1個樣本的性別為女性，這與我們的結論不壹致。
如果高度特征值為0。那麽滿足特征值的數據號為{5，6}，對應的分類為{女性，女性}。這個計算結果就比較明顯了。如果身高特征值為0，女生占2/2。然後我們選擇女性作為身高特征值為0的分類結果。也就是說，如果身高的特征值為0，我們認為性別為女性。這個結論可能是錯誤的，但在這個數據集中是正確的。
計算完高度的所有特征值後，就可以計算精度了。當身高特征值為0時，我們將其分類為女性，準確率為100%。當身高特征值為1時，我們將其歸類為男性，有壹個數據是錯誤的。因此，如果按照身高劃分，準確率為:5/6=0.833。
眼睛大小。
眼睛大小* * *的特征有兩個特征值:正常和大。
如果眼睛大小正常，則滿足特征值的數據編號為{1，3，5}，對應的分類結果為{男，男，女}。同樣男生占2/3，女生占1/3，所以簡單認為如果眼睛大小正常，則認為性別為男性。同樣，在這個數據集中，這個結論的錯誤數是1，因為當前的特征值分類結果之壹是女性。
如果眼睛大小較大，則滿足特征值的數據編號為{2，4，6}，對應的分類結果為{女性，女性，男性}。同樣女生占2/3，男生占1/3，所以簡單的認為如果眼睛比較大，性別就認為是女性。同樣，在這個數據集中，這個結論的錯誤數為1。
在計算了關於眼睛大小的所有特征值之後，可以計算精度。當眼睛大小正常時，我們將其歸類為男性，樣本集中的壹個數據是錯誤的。同樣，在大眼睛的情況下，將其劃分為女性，並且該結論在樣本集中的壹個數據中是錯誤的。因此，如果按照眼睛大小劃分，準確率為:4/6=0.667。
膚色。
膚色特征* * *有兩個特征值:黑色和白色。
如果膚色較深，滿足特征值的數據編號為{2，3，4}，對應的分類結果為{男，男，女}。男生占2/3，女生占1/3。所以如果膚色黑，就簡單認為是男孩，這個結論的錯誤數是1。
如果膚色為白色，則滿足特征值的數據編號為{1，5，6}，對應的分類結果為{男，女，女}。男生占1/3，女生占2/3。因此，如果膚色是白色的，則簡單地認為是女孩，此結論的錯誤數為1。
所以膚色的準確度是:4/6=0.667。
現在獲得了每個特征的精度。劃分高度的精度為:0.833；膚色和眼睛大小的準確度為0.667。所以我們用身高作為劃分特征。
也就是說，如果有新的數據，我們將僅通過查看身高的數據來進行分類。然而，分類器的精度需要通過使用測試數據來計算。我們計算的0.833只是基於訓練樣本集的準確性，只是為了找出用於分類的規則。