大家在前面的部分学习到了使用决策树进行分类，实际决策树也可以用作回归任务，我们叫作回归树。而回归树的结构还是树形结构，但是属性选择与生长方式和分类的决策树有不同，我们一起来看看它的原理知识吧。

（本篇回归树模型部分内容涉及到机器学习基础知识、决策树算法，没有先序知识储备的宝宝可以查看ShowMeAI的文章 [图解机器学习 | 机器学习基础知识]((https://www.showmeai.tech/article-detail/185) 及 决策树模型详解）。

我们一起来回顾一下决策树的结构，决策树的典型结构如下图所示。

决策树的学习过程和预测过程如下图所示。详细内容可以参考ShowMeAI的文章 决策树模型详解。

主流的决策树算法有：

ID3：基于信息增益来选择分裂属性（每步选择信息增益最大的属性作为分裂节点，树可能是多叉的）。

C4.5：基于信息增益率来选择分裂属性（每步选择信息增益率最大的属性作为分裂节点，树可能是多叉的）。

CART：基于基尼系数来构建决策树（每步要求基尼系数最小，树是二叉的）。

其中：CART树全称Classification And Regression Tree，即可以用于分类，也可以用于回归，这里指的回归树就是CART树，ID3和C4.5不能用于回归问题。

要讲回归树，我们一定会提到CART树，CART树全称Classification And Regression Trees，包括分类树与回归树。

CART的特点是：假设决策树是二叉树，内部结点特征的取值为「是」和「否」，右分支是取值为「是」的分支，左分支是取值为「否」的分支。这样的决策树等价于「递归地二分每个特征」，将输入空间（特征空间）划分为有限个单元，并在这些单元上确定预测的概率分布，也就是在输入给定的条件下输出的条件概率分布。

设有数据集 D D D ，构建回归树的大体思路如下：

①考虑数据集 D D D 上的所有特征 j j j ，遍历每一个特征下所有可能的取值或者切分点 s s s ，将数据集 D D D 划分成两部分 D 1 D_1 D1​ 和 D 2 D_2 D2​ 。

②分别计算 D 1 D_1 D1​ 和 D 2 D_2 D2​ 的平方误差和，选择最小的平方误差对应的特征与分割点，生成两个子节点（将数据划分为两部分）。

③对上述两个子节点递归调用步骤①②，直到满足停止条件。

回归树构建完成后，就完成了对整个输入空间的划分（即完成了回归树的建立）。将整个输入空间划分为多个子区域，每个子区域输出为该区域内所有训练样本的平均值。

我们知道了回归树其实是将输入空间划分为M个单元，每个区域的输出值是该区域内所有点y值的平均数。但我们希望构建最有效的回归树：预测值与真实值差异度最小。下面部分我们展开讲讲，回归树是如何生长的。

我们用一个经典的棒球案例来解释回归树：根据从业年限和表现，去预估棒球运动员的工资。如下所示，有1987个数据样本，包含322个棒球运动员。红黄表示高收入，蓝绿表示低收入。横坐标是年限，纵坐标是表现。

这个简单案例中，每个样本数据有两个特征：从业年限years和成绩表现hits，回归树的决策过程由最终生成的回归树决定，如右图所示：

根决策节点为特征Years，其划分阈值为4.5，Years小于4.5的样本划分到左边，大于或等于4.5的样本划分到右边；

第二个决策节点的特征为Hits，其划分阈值为117.5，Hits小于117.5的样本划分到左边，大于或等于117.5的样本划分到右边。

一个样本顺着决策树的决策条件，走到叶子节点，即可获得预测工资，这里的预测工资总共就3种取值，分别为5.11、6.00、6.74。

我们来深入拆解和对应一下，其实回归树构建完成后，实现了对整个空间的划分（如下图所示）。实际预测时，新样本会按照回归树的决策过程，被划分到下图 R 1 R_1 R1​ 、 R 2 R_2 R2​ 、 R 3 R_3 R3​ 之中的一个区域 R i R_i Ri​ ，而这个新样本的预测值（本案例中为棒球运动员的工资）就是它所在的区域。

回归树背后的含义：对空间的划分。整个平面被划分成3部分：