英文名字： Decision Tree
决策树是一种典型的分类方法，首先对数据进行处理，利用归纳算法生成可读的规则和决策树，然后使用决策对新数据进行分析。本质上决策树是通过一系列规则对数据进行分类的过程。
决策树是一个监督式学习方法，主要用于分类和回归。 算法的目标是通过推断数据特征，学习决策规则从而创建一个预测目标变量的模型。
决策树类似if-else结构，它的结果就是你要生成这样一个可以从树根开始不断判断选择到叶子节点的树。 但是这里的if-else判断条件不是人工设置，而是计算机根据我们提供的算法自动生成的。
决策树组成元素
决策点
是对几种可能方案的选择，即最后选择的最佳方案。如果决策属于多级决策，则决策树的中间可以有多个决策点，以决策树根部的决策点为最终决策方案。
状态节点
代表备选方案的经济效果（期望值），通过各状态节点的经济效果的对比，按照一定的决策标准就可以选出最佳方案。由状态节点引出的分支称为概率枝，概率枝的数目表示可能出现的自然状态数目每个分枝上要注明该状态出现的概率。
结果节点
将每个方案在各种自然状态下取得的损益值标注于结果节点的右端
决策树组优缺点
决策树优势
简单易懂，原理清晰，决策树可以实现可视化
推理过程容易理解，决策推理过程可以表示成if-else形式
推理过程完全依赖于属性变量的取值特点
可自动忽略目标变量没有贡献的属性变量，也为判断属性变量的重要性，减少变量的数目提供参考
