大家都知道，决策树能够做分类问题，但是到了CART（classsiification and regression tree）算法发明的时候，树又能做分类也能做回归。感谢这位博主分享这么通俗易懂的博客，我只是对这篇博客进行整理，作为自己学习之用
1.原理描述
一个回归树对应这输入空间（即特征空间）的一个划分以及在划分单元上的输出值。分类树中，我们采用信息论的方法，通过计算选择最佳划分点。而在回归树中，采用的是启发式的方法。假如我们有n个特征，每个特征有s_i(i\in(1,n))个取值，那我们遍历所有特征，尝试该特征所有取值，对空间进行划分，直到取到特征j的取值s，使得损失函数最小（回归树的损失函数用平方差），这样就得到了一个划分点。公式如图：
假设将输入空间划分为M个单元： R_1， R_2，...， R_m，那么每个区域的输出值就是： c_m = ave(y_i|x_i\in R_m)，也就是该区域内所有点y值的平均数。
举个例子。如下图所示，假如我们想要对楼内居民的年龄进行回归，将楼划分为3个区域 R_1， R_2， R_3（红线），那么 R_1的输出就是第一列四个居民年龄的平均值， R_2的输出就是第二列四个居民年龄的平均值， R_3的输出就是第三、四列八个居民年龄的平均值。
2.算法描述
回归树
3.一个实例
依照个人的见解，其实树模型无论是回归还是分类，都是用关于自变量的不等式将整个空间分成一个个的小区域，然后依照提交对应哪个区域是几（回归）或者哪个区域是哪个类别（分类）。下图是回归树的图
下面这个实例我就直接贴了。
实际上，回归树总体流程类似于分类树，分枝时穷举每一个特征的每一个阈值，来寻找最优切分特征j和最优切分点s，衡量的方法是平方误差最小化。分枝直到达到预设的终止条件(如叶子个数上限)就停止。
