树就是树的，根分叉，叶子下切菜。 想象一下你要分果子的做法。你手里一堆红苹果，那把刀一劈，左手拿红糖，右手拿青瓜。再拿一把刀，把青瓜剥开，左手拿瓜子仁，右手拿瓜瓤。

这时候难题来了，啥瓜？糖还是瓜？这得看一分。分完这层，还剩下一堆红苹果，持续分。

如何分？看甜不甜。甜就收红糖，不甜就留青瓜。 这就是决策树的逻辑，好办粗暴，绝不拐弯抹角。它靠的是不断“分”，越分越细，直到每一片叶子都只能得出一种结论，要么只剩下一堆不清楚的数据。

这个过程叫“递归”。就像我们做数学题，解方程，要么有解，要么无解，一直往下算，直到算出个数字。 咱们这种树模型，实际上就是把函数这种抽象玩意儿给具象化了。函数是那个公式，树是那个计算过程。把复杂的公式拆成一个个小难题，用好办的判断条件来解决。

比如你想算房价，公式可能是：先乘系数 A，再加系数 B，最终除以系数 C。

这忒啰嗦了，直接写代码抄一遍忒累了。便树来了，它分几步走。

第一问：面积多大？面积大一点系数 B 就加点，小一点系数 B 就减点。

第二问：高度多少？高度高，系数 C 就调小。高度矮，系数 C 就调大。 看，这就是“分步法”。

不用看那个复杂的公式，眼盯着这些条件，一步步往右走要么往左走。 举个具体的例子，假设你要预测一个房子的价格。

这棵树先问地址。小区是 5 环还是 8 环？要是是 5 环，那价格肯定比 8 环低，大约打八折。

要是是 8 环，那就得看层高。层高几层？几层比几层高。

要是层高超过 2.8 米，那单价就给 800。

要是不到 2.8 米，那单价就给 500。 这里有个关键点：要是条件变成“面积大于 100 平”，那接下来的判断就换了。刚刚还看层高，目前看面积大小，得看面积是 100 还是 150。

要是面积大，那装修标准就高；要是面积小，那装修标准就低。 这种结构挺像我们日常的生活逻辑。早上出门，先问要去哪？去楼下便利店还是去商场？去商场，那就得看天气。阴天的话价格正常，晴天价格高。但要是你要去商场，那就得看昨天有没有雨。昨天没雨，今天就按原价买；昨天下雨了，今天就要打折。 再细一点，比如买手机。先问品牌。华为、苹果还是小米？要是华为，那就要问屏幕多大。27 寸、29 寸还是 30 寸？屏幕大，配置就高；屏幕小，配置就低。

要是苹果，就要问芯片。A17、A16 还是 A15？芯片强，价格就高；芯片弱，价格就低。 你看，这就是数据在讲故事。每一层都是一个小故事，每一层告诉我们要关切哪个变量。变量有，就是特征。特征就是那些能被量化的点，比如面积、尺寸、价格、性别。数据在逐年演进，分为特征和值这两局部。特征是那个选择的难题，值是计算出来的数字。 这就好比你在做选择题。题目问：你去哪儿？选项有 A、B、C。你选 A，那就走这条路；选 B，就走那条路。

这就是决策树。它本质上就是一个用来做选择的工具。 决策树的核心思想就是贪心。

每次做选择，都只寻思眼前这一步走不通，就往后退一步，换个条件再试。

比如买衣服，先看颜色，白色比黑色好。

要是颜色是黑色，再看款式，修身款比宽松款好。

要是颜色是黑色，款是宽松款，再回头看年份，新款比老款好。

要是颜色是白色，款是修身款，再回看年份，老款比新款好。 这种层层嵌套的方式，实际上就是把复杂的计算拆解成好办的判断。它不追求一步到位算出一个结局，而是通过不断的细化和筛选，最终逼出一个结局。就像筛沙子，一层一层越筛越细，最终只剩下一粒一粒的珠子。 我们再来看一个更具体的例子。假设你要预测一个孩子的智商。

这棵树先问：性别。

要是是男孩，那智商水平一般在 110 左右；要是是女孩，那智商水平一般在 100 左右。

这是第一层。 要是性别是男孩，那第二层问：出生年份。1980 年赶明儿出生的孩子，出于营养条件好，智商更高，可能达到 130 左右；1970 年之前出生的，智商可能在 100 左右。 要是性别是女孩，那第三层问：身高。高个子女孩智商一般，短发女孩智商一般，长发女孩智商可能更高。 你看，这就是数据在讲故事，通过不断提问，把复杂的统计规律慢慢讲出来。它不是直接告诉你答案，而是通过你一个一个问，一步步引导你得出那个答案。 实际上这种算法在现实应用中贼常见。

比如在医疗诊断里，医生给病人做检查，先看有没有发烧，有就可能是感冒；没发烧，再看有没有咳嗽，有就可能是肺炎。

要是都没症状，再看有没有皮疹，有就可能是过敏。

这个流程图就是个决策树。 在金融领域，它也挺常见。银行给客户算利率。先问用户年龄，大人的利率是 5%，未大人是 3%。

要是用户有房，利率再降点，比如 4%。

要是用户没房，利率再降点，比如 3%。 决策树就是这样，它把数学变得像生活一样好办。它不要求你会解复杂的方程，它只要求你愿意一步步做选择。每一次选择，都是一次对数据的挖掘，都是在对规律的理解上深入一步。 这种结构也是可解释的。你能够看到每一步的理由，看到每个分支的走向。

这比那些黑盒模型要透明多了。

你看，它不是你说你用了个黑盒，它是确实按你的条件一步步走的。 我们做决策树，实际上就是在做逻辑推演。从宏观到微观，从大类到小类，从好办到复杂。它用最朴素的方式，去解最复杂的数学题。 有时候，你会认定它忒啰嗦，出于每一步都有分支。但正是这些分支，构成了整个的逻辑链条。

没有这些分支，信息就断了，结局也就没法准。它就是这样，一层一层地剥开表面，露出了里面的本质。 最终，这棵树建好了，结局出来了。

要是叶子节点只有一个分类，那就是确定的；要是有多个，那就要看概率。概率高的那个，就是最可能的结局。 这就是决策树，一个用数据讲话，用逻辑讲故事的工具。它不需求你懂忒多数学，只需求你懂如何分，如何选，如何往下走。