决策森林模型由决策树组成。决策森林 学习算法（如随机森林）至少在一定程度上依赖于 和决策树的学习过程。
在本课程的这一部分中，您将学习一个小型示例数据集，并学习 单个决策树的训练方式。在接下来的部分中，您将了解 结合使用决策树来训练决策森林。
YDF 代码
在 YDF 中，使用 CART 学习器训练单个决策树模型：
# https://ydf.readthedocs.io/en/latest/py_api/CartLearner import ydf model = ydf.CartLearner(label="my_label").train(dataset)
模型
决策树是由一系列“问题”组成的模型，有条理 和树状结构一样分层这些问题通常称为 condition、split 或 test.我们将使用“使用情况”一词在 这一类。每个非叶节点都包含一个条件，每个叶节点都包含 进行预测。
植物树通常有根在下部；然而，决策 树通常用顶部的根（第一个节点）表示。
<ph type="x-smartling-placeholder"></ph> 图 1.一个简单的分类决策树。绿色的图例不属于 决策树。 。
决策树模型的推理是通过从 根据 条件。所到达叶子的值是决策树的预测。 所访问的节点集称为推理路径。例如： 请考虑以下特征值：
| num_legs | num_eyes |
|---|---|
| 4 | 2 |
预测结果将为 dog。推理路径将为：
- num_legs ≥ 3 → 是
- num_eyes ≥ 3 → 否
<ph type="x-smartling-placeholder"></ph> 图 2.在本例中，以叶 *dog* 为高潮的推理路径 *{num_legs : 4, num_eyes : 2}*。 。
在前面的示例中，决策树的叶包含分类 预测；也就是说，每一片叶片都包含一个 可能的品种。
同样，决策树可以通过为叶子标记 回归预测（数值）。例如，下面的决策 可预测动物的可爱程度得分在 0 到 10 之间。
<ph type="x-smartling-placeholder"></ph> 图 3.一个进行数值预测的决策树。 。