分类回归树（Classification and Regression Tree，CART）
在构建回归树时，主要有两种不同的树：
- 回归树(Regression Tree)，其每个叶节点是单个值
- 模型树(Model Tree)，其每个叶节点是一个线性方程
在进行树的左右子树划分时，有一个很重要的量，即给定的值，特征值大于这个给定的值的属于一个子树，小于这个给定的值的属于另一个子树。
这个给定的值的选取的原则是使得划分后的子树中的“混乱程度”降低。如何定义这个混乱程度是设计CART算法的一个关键的地方。
在ID3算法中我们使用的信息熵和信息增益的概念。信息熵就代表了数据集的紊乱程度。
对于连续型的问题，我们可以使用方差的概念来表达混乱程度，方差越大，越紊乱。所以我们要找到使得切分之后的方差最小的划分方式。
GBDT 梯度boosting决策树 注意它和 AdaBoosting区别还是挺大的。ada是每次迭代都会将样本的权重修改一下，之前预测错误的权重up 预测正确的down。而GBDT，每次迭代所产生的树都是根据之前的残差来构建的。可以理解为残差是它每次迭代的预测值y
CART & GBDT
原文：https://www.cnblogs.com/nzmx123/p/9025304.html
