决策树是广泛用于分类和回归任务的模型，本质上是从一层层if/else问题中进行学习，并得出结论。这些问题类似于"是不是"中可能问到的问题。
决策树的每个结点代表一个问题或一个包含答案的终结点（叶结点）。树的边奖问题的答案与将问的下一个问题连接起来。
用机器学习的语言来说，，为了得到预测结果，利用多个特征构建一个模型，可以利用监督学习从数据中学习模型，而不需要人为构建模型。
学习决策树，就是学习一系列if/else问题，使我们能够最快的速度得到正确答案。在机器学习中，这些问题就叫做测试。数据通常不具有二元特征（是/否），而是表现为连续特征。为了构造决策树，算法搜遍所有可能得测试，找到对目标变量来说信息量最大的一个。
顶结点（也叫根结点）表示整个数据集，包含属于类别0的所有点和类别1的所有点，通过测试的真假来对数据集进行区分。递归生成二元决策树，其中每个结点都包含一个测试。
对数据反复进行递归，直到划分后的每个区域都只包含单一目标值（单一类别或单一回归值）。如果树中某个叶结点包含的数据点的目标值都相同，那么这个叶结点就是纯的。
想要对新的数据点进行预测，首先要查看这个点位于特征空间划分的哪个区域，然后将该区域的多数目标值作为预测结果。从根结点开始对树进行遍历就可以找到这个区域，每一步向左还是向右取决于是否满足相应的测试。
决策树也可以用于回归任务，使用的方法相同。预测的方法是基于每个结点的测试对树进行遍历，最终找到新数据点所属的叶结点，这个数据点的输出也就是这个叶结点中所有训练点的平均目标值。