CART 决策树通过一系列“是或否”的条件判断，将复杂数据拆解为清晰的路径。当你需要从业务逻辑层面理解模型是如何做出决策，或者希望直接看到预测规则而非仅获得结果时，这是最理想的选择。它能将复杂的非线性关系转化为易于阅读的流程结构。
直观的规则化建模
CART 决策树将数据分析过程转化为一棵逻辑树。通过对特征的递归分裂，它能自动筛选出最有区分度的指标，并给出明确的阈值。这种结构非常适合需要从业务角度审查预测逻辑的场景。
不同于黑箱模型，CART 决策树会直接返回决策路径的嵌套结构。你可以清晰地看到模型是如何根据各个特征的数值大小进行分类或回归预测的，这为验证业务假设提供了直接依据。
特征重要性与模型解释
除了展示决策路径，该工具还会计算每个特征的重要性得分。这能帮你识别哪些指标在业务预测中起到了核心驱动作用，从而实现从“知道结果”到“理解原因”的跨越。
对于分类任务，工具会提供训练准确率与交叉验证准确率；对于回归任务，则提供 R² 指标。这些结果能帮助你评估模型在处理新数据时的稳健性，确保分析结论具备参考价值。
如何评估决策树的有效性
在 Lattice 中，当你使用 CART 决策树时，我们会自动处理缺失值并进行数据准备。若生成的树叶子节点过多，建议根据实际业务场景进行适当的剪枝或限制树的深度，以获得更简洁的逻辑模型。
如果你的任务需要极高的准确率且不在乎模型是否可读，我们建议改用集成算法。CART 决策树的核心价值在于其透明度，它不仅是一个工具，更是你理解数据生成逻辑的窗口。
1 · Intent → method
An LLM picks tree_cart from a fixed catalog.
2 · Method → numbers
Deterministic Python engine runs the math. Same input → same output.
3 · Numbers → plain language
A second LLM translates the result into your domain’s vocabulary.
CART 决策树和随机森林有什么区别？
CART 决策树是单个模型，它生成的规则结构清晰，可以让你一眼看出判断逻辑；而随机森林是包含多棵树的集成模型，虽然预测准确率通常更高，但它像是一个黑箱，无法像单棵决策树那样直接展示完整的判定路径。
为什么我的决策树深度会自动限制在 5 层？
这是为了防止过拟合，避免模型过于细致地“死记硬背”训练数据，从而导致在处理新数据时效果变差。默认的深度设定能确保你得到的决策路径既简洁又具备一定的通用性。
Tool 输入字段
Schema for tree_cart not exported yet (run pnpm export:registry).