根据处理数据类型的不同，决策树分为两类：分类决策树与回归决策树。前者可用于处理离散型数据，后者可用于处理连续型数据。以下通过例子对最小二乘回归树进行简单粗暴的讲解。

示例数据集.png
1. 选择最优切分变量j与最优切分点s
在本数据集中，只有一个变量，因此最优切分变量自然是x。
考虑9个切分点

   【1.5，2.5，3.5，4.5，5.5，6.5，7.5，8.5，9.5 】

定义损失函数如下，其中y是原始数值，f(x)是切分后同一类别的平均值。

例如，取切分点s=1.5，此时，

     R1={1}
     R2={2,3,4,5,6,7,8,9,10}

这两个区域的输出值分别为：

     c1=5.56,
     c2=1/9(5.7+5.91+6.4+6.8+7.05+8.9+8.7+9+9.05)=7.50

其损失度：

     m(1.5)=(5.56-5.56)² +(5.7-7.50)² +(5.91-7.50)² +(6.4-7.50)² ...(9.05-7.50)²
     =0+15.72
     =15.72

依次对每一个切分点进行上述计算，使得损失最小的切分点即为最优切分点。公式表示如下：

2. 循环计算损失度
本数据集计算的各切分点损失度结果如下：

显然取 s=6.5时，m(s)最小。因此，第一个划分变量j=x,s=6.5。此时，两个区域分别是：R1={1,2,3,4,5,6}，R2={7,8,9,10}，输出值从c1=6.24，c2=8.91。
对R1/R2重复上述过程，继续划分。
3. 生成回归树
假设在生成3个区域之后停止划分，那么最终生成的回归树形式如下：

树回归与线性回归

当然，处理具体问题时，单一的回归树肯定是不够用的。可以利用集成学习中的boosting框架，对回归树进行改良升级。

---

参考链接：https://blog.csdn.net/weixin_40604987/article/details/79296427
相关阅读：【机器学习实战】利用AdaBoost元算法提高分类性能