决策树相关

　　   优点：

　　　　（1）输出结果易于理解，

　　　　（2）对缺失值不敏感，可以处理无关数据，可以处理非线性数据

　　　　（3）对于异常点的容错能力好，健壮性高

                      由于递归分区只使用最合适的二分问题来生成决策树，所以非重要变量不会影响结果。此外，二分问题对数据点集进行中心分割，因此决策树对极值（即异常值）是具有包容性的。

　　　　（4）不需要提前归一化

　　　　（5）可以处理多维度输出的分类问题。

              （6） 能够同时处理数据型和常规型属性。其他的技术往往要求数据属性的单一。

　　　缺点：

　　　　（1）容易过拟合，需要剪枝或者RF避免

　　　　（2）只注重单个特征的局部划分，而不能想LR那样考虑整体的特征，在处理特征关联性比较强的数据时表现得不是太好

　　　　（3）有些问题决策树很难表达，如：异或问题、奇偶校验或多路复用器问题