颜色分类leetcode使用CART树进行回归介绍。正如我们所了解的，决策树是一种受监督的机器学习模型，可用于分类和回归任务。我们已经看到，决策树使用树结构来预测分类任务中给定输入示例的输出类别。对于回归分析，在树中，从根节点到叶节点的每条路径都代表一条以预测值结尾的决策路径。在本课中，我们将通过一个简单的示例了解如何使用决策树回归器执行回归。目标：你将能够理解和解释递归分区，了解CART树递归划分样本空间背后的数学原理，使用回归树运行简单的回归实验并评估/可视化结果。递归分区：线性回归被认为是一个全局模型，因为在整个样本空间中只有一个模型。对于包含具有复杂非线性关系的复杂特征的数据，组装这样一个单一的全局模型可能是一项非常困难且计算量大的任务。处理非线性回归的另一种方法是将样本空间划分为更小的区域，正如我们在之前的分类树课程中已经看到的那样。这在回归中没有太大的不同——在这里，我们的目标是划分成越来越小的、更简单的子集，直到我们可以为它们拟合简单的线性回归模型。