CART algorithm (Decision Tree)

该CART算法被用作构建决策树的一种方法；其被称为 分类回归树 （CART）算法；它也简称为 CART（全称Decision Tree Learning Algorithm）；它属于决策树的构建方法之一；通常而言，在决策树领域有三种主要的构建方法：ID3算法、CART算法以及C4.5算法。

由于ID3和C4.5的算法构造出的决策树大都是

说一下三者的区别吧

ID3 基于信息增益选择特性的策略倾向于选择那些具有更多取值范围的属性，并不容易泛化到测试数据（也就是说，在训练集上表现优异但难以对未知测试集进行准确分类）。

C4.5通过计算信息增益比来选择构建决策树的关键特征；其能够实现对连续属性值的离散化处理过程；它对于缺失数据的情况也能有效应对；同时该分类系统具有良好的可解释性；其分类精度表现不错；然而在构建决策树的过程中存在效率上的不足；因为在构建决策树的过程中需要频繁地扫描并排序数据集；并且通常仅适用于能够在内存中完整加载的数据集。

ID3和C4.5算法虽然在对训练样本集的学习中最大限度地提取了信息,但它们所构建的决策树具有显著较大的规模.为了解决这一问题以优化决策树的规模并提高其效率,CART算法应运而生并构建了新的决策树

CART算法采用二分法进行递归划分，在每次迭代中将当前数据集划分为两个子数据集，并最终导致生成的所有内部节点均具有两个分支

由此可见,CART算法