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，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：解释递归分区，使用scikit-learn拟合决策树回归模型。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。对于包含复杂非线性关系的特征数据，组装这样一个单一的全局模型可能非常困难且计算成本高。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，正如在之前的分类树课程中所学。这在回归中没有太大不同。目标是划分为越来越小、更简单的子集，直到可以为它们拟合简单的回归模型。每个子集都是一个较小子集的分区，而这个子集本身也是一个子集，这使得它成为递归分区的教科书示例。回想一下，在分类树中，叶节点表示最终分类结果。