一句话定义：决策树（Decision Tree）是把一次判断拆成一连串 if-else 问题的模型——从根节点出发，每到一个节点回答一个问题，沿着分支往下走，最后落到某个叶子节点，拿到结论。
它怎么工作：一场自动化的"二十问"
玩猜动物游戏时，你会问"它会飞吗""它有毛吗"，每问一句就把可能性砍掉一半。决策树就是这个思路的自动化版本。树上的每个内部节点是一个判断，比如"年龄大于 30 吗""有没有房产"；每条边是一个答案；叶子节点放最终结果——分类标签（通过/拒绝）或一个数值（预测房价）。
关键在于：这些问题不是人挑的，是训练时自动挑的。算法会遍历每个特征和每个可能的切分点，算一下"切完之后，两边是不是更纯了"。衡量纯度的常用指标是熵（Entropy）和基尼不纯度（Gini impurity），对应的挑选标准叫信息增益（Information Gain）。挑收益最大的那个问题做分裂，然后对左右两边重复同样的动作，直到满足停止条件：节点里只剩同一类样本、样本太少，或者树太深了。
最大优点：可解释
一棵浅树可以直接画在纸上，从根到叶的一条路径就是一条"如果……那么……"的规则。信贷拒绝、医疗分诊这类要给出理由的场景，树能把理由原原本本讲出来，这是神经网络很难提供的。
最大毛病：单棵树极易过拟合
如果不加任何限制，树会一路分裂到每个叶子只剩一个样本，等于把训练集整本背下来。数据里一点噪声都会被写成一条规则，换一批数据就完全失效。所以实践中要么剪枝（pruning），要么限制深度和叶子最小样本数；更常见的做法是干脆不用单棵树，改用随机森林（Random Forest）或梯度提升树（Gradient Boosting Decision Tree，GBDT），让几百棵树投票或累加，把方差压下去。
和相邻概念的区别
逻辑回归（Logistic Regression）给每个特征配一个权重，加总成一个分数；决策树则是层层硬切分，天然能处理非线性和特征之间的交互，但切出来的边界是阶梯状的。至于怎么衡量一个特征重不重要，两种模型给出的答案往往不一样。
| 对比项 | 单棵决策树 | 随机森林 / GBDT |
|---|---|---|
| 形态 | 一棵树，一条 if-else 路径 | 几百棵树，投票或累加 |
| 可解释性 | 强，能直接画出来 | 弱，一般靠特征重要性 |
| 稳定性 | 差，数据稍变树就换个样 | 好得多 |
| 过拟合 | 极易发生 | 靠集成与正则控制 |
对从业者和普通人的意义
如果你在做结构化数据（表格数据）的任务，树模型家族通常是很值得先跑一版的基线；在需要向业务方或监管解释"为什么拒绝"的场景，浅树或被提取成规则的树非常实用；但请把单棵树当作积木，而不是终点。对普通人来说，你被算法拒绝的理由，很可能就写在某棵树的某条路径上——这也是"可解释的 AI"这个话题常常从树讲起的原因。