在机器学习中，有许多的算法，大多数时候这些算法比较枯燥难懂，但如果用通俗的语言解释一下，你会觉得其实这些算法也蛮有趣的。今天就带你来认识一下决策树。
从名字上来看，其实我们已经可以大致理解它的逻辑结构，它和树状图有些类似，不同的是， 我们需要在每个节点提出一个问题，再有一个预期的标准答案，满足标准，就继续下一个问题，不满足标准，直接pass。
这好比你的择偶标准，在你打算开启相亲之路的时候，你一定会先列出一系列的标准，不能每个都见面，否则，即便你有时间，钱包也受不了啊！于是，你列出了你的标准：
A.年龄：30岁以下
B.身高：160cm以上
C.学历：本科以上
D.样貌：好看
E.母亲不跳广场舞
F.父亲不转发养生朋友圈
于是，你就有了一个你是否需要去相亲的决策树：
当然，这只是最简单的一种决策树。如果我们把所有问题都具体量化，就是一个真正意义上的决策树了。在以上的比喻中，我们可以很好的理解决策树的定义：
决策树是一种树结构，每个内部的节点都表示一个属性上的测试，每个分支代表着一个属性的测试输出，每个叶节点表示一种类别。决策树是一种监督学习，更是一种十分常用的分类方法，它可以在已知各种情况发生概率的情况下，准确评价项目的风险，判断其可行性。在机器学习中，决策树是一个预测模型，这种学习技术也叫做决策树学习，可以用来分析数据，做出预测。
对于初学者来说，决策树很容易理解和实现，在不需要人们了解很多专业知识的情况下就能够熟练掌握。决策树的操作也十分便捷，数据准备简单甚至没有必要，还能够同时处理常规型和数据型属性，处理数据的时间也相对较短。
不过，决策树也有它的短板所在。例如，它在处理连续性字段时比较吃力；在处理有时间顺序的数据时，需要在预处理上多下功夫；数据的类别太多时也很容易出错等。因此在选择算法的时候，学员必须要了解某一算法的长处和短板，根据数据的特征进行选择。