決策樹演算法是監督學習中經典的分類與回歸模型，核心邏輯是「分而治之」：通過模擬人類決策過程，將複雜問題拆解為一系列簡單的二元判斷（如「收入是否大於5萬」「年齡是否小於30歲」），最終形成樹形結構。它就像岔路選擇，從樹根開始按特徵判斷分支，直到葉子節點得出類別或數值結果，邏輯直觀易懂，無需專業知識就能理解決策過程。
其核心特點是「可解釋性極強」和「無需預處理」：區別於貝葉斯、KNN等演算法，決策樹的樹形結構能清晰展示每一步決策依據，可直接用於業務解釋；同時對特徵量級不敏感，無需歸一化或標準化，能直接處理混合類型特徵（如連續型年齡、離散型職業）。此外，還可同時用於分類（輸出類別）和回歸（輸出數值），適用場景靈活。
核心要素包括樹形結構和分裂準則：樹形結構由根節點（初始特徵）、內部節點（判斷條件）、葉節點（結果）組成；分裂準則是構建樹的關鍵，常用信息增益（最大化信息熵降低）、Gini係數（最小化不純度），目的是讓每個分支的樣本儘可能屬於同一類別，提升決策準確性。
應用場景覆蓋多行業簡單決策任務：金融風控中，通過用戶收入、徵信等特徵判斷貸款違約風險；醫療診斷中，結合癥狀特徵輔助常見病判斷；工業質檢中，根據產品尺寸、材質等特徵區分合格/不合格品；零售行業中，依據消費特徵劃分用戶群體，支撐營銷決策。
局限主要是易過擬合：樹深度過深時會過度學習訓練數據中的雜訊，泛化能力下降；對訓練數據敏感，少量數據變化可能導致樹形結構大幅改變，穩定性較差；處理高維數據時，分裂準則可能難以精準篩選關鍵特徵，影響決策效果。
總體而言，決策樹是入門級經典演算法，以直觀的決策邏輯和強可解釋性成為業務決策的優選模型。儘管存在過擬合等局限，但通過剪枝（限制樹深度）、集成學習（如隨機森林）等優化方法可顯著提升性能，至今仍是機器學習領域的核心基礎演算法之一。
