學習日志---樹回歸（回歸樹，模型樹）

CART算法的樹回歸：

傳回的每個節點最後是一個最終确定的平均值。

結果：

{'spInd': 1, 'spVal': matrix(` 0`.`39435`), 'right': {'spInd': 1, 'spVal': matrix(` 0`.`197834`), 'right': -0.023838155555555553, 'left': 1.0289583666666666}, 'left': {'spInd': 1, 'spVal': matrix(` 0`.`582002`), 'right': 1.980035071428571, 'left': {'spInd': 1, 'spVal': matrix(` 0`.`797583`), 'right': 2.9836209534883724, 'left': 3.9871631999999999}}}

結果的意思是：第幾個特征，以多大作為特征值分開，分成左右，依次分下去。

這個算法很好，但是對資料的分類太過于高，容易造成過拟合。是以要采用剪枝技術。

通過降低決策樹的複雜度來避免過拟合的過程稱為剪枝。

一般來說都是預剪枝和後剪枝合并使用

模型樹

每個節點是一個線性模型

其他基本一樣：

模型樹回歸很好，而且可以用作預測