CART分类树算法:
classification and regression tree
只会构建二元分类：避免分支度太多
首先是看目标字段平均分布还是偏分布。算Gini，越靠近0.5，是平均。 ID3是算intropy接近。
第一层分类树：然后算各类道路距离Gini index，越小越好，因为与主Gini越远。
砍树：由验证数据来决定是否砍树，看错误率。从下往上砍，看错误率有没有上一级的错误率大，大就砍掉。
连续型：gini最小的。最小的就是切点‘
CHAID属性 选择方法：卡方统计量：必须都是类别型数据。 卡方值越大，代表该字段与目标字段关系越密切。
根据p值确定树是否往下长。卡方越大，选择它来作为第一个’
预测： 直接（分类树）
间接预测（分类规则与优化）
分类树与分类有差异
