Decision Tree

决策树是一种通过层层特征判断来做分类或预测的树形模型，表现形式很像流程图，因此比较直观。

优点

• 可解释性强，适合向业务方说明判断逻辑
• 对数据预处理要求相对较低
• 训练和预测速度通常较快

缺点

• 容易过拟合
• 对训练数据的小变化比较敏感
• 单棵树通常难以表达复杂特征之间的组合关系

构建过程

1. 选择当前最优的划分特征
2. 按特征取值切分数据集
3. 对每个子集递归继续建树
4. 当满足停止条件时停止分裂
5. 需要时再做剪枝，降低过拟合风险

一个直观例子

假设我们要判断“某用户会不会购买会员”，可以用这些特征：

• 是否经常访问
• 是否已经注册
• 是否看过付费内容

一棵简单的决策树可能像这样：

1. 如果“没有注册”，先判断为“不购买”
2. 如果“已经注册”且“经常访问”，再判断“看过付费内容没有”
3. 如果“看过付费内容”，更可能购买

这种结构的好处是，业务方可以直接看到模型是如何一步步做判断的。