CART生成
CART假设决策树是二叉树，内部结点特征的取值为“是”和“否”，左分支是取值为“是”的分支，右分支是取值为“否”的分支。这样的决策树等价于递归地二分每个特征
一个具体的例子
下面来看一个具体的例子。我们使用《数据挖掘十大算法之决策树详解（1）》中图4-6所示的数据集来作为示例，为了便于后面的叙述，我们将其再列出如下：
关于过拟合以及剪枝
决策树很容易发生过拟合，也就是由于对train数据集适应得太好，反而在test数据集上表现得不好。这个时候我们要么是通过阈值控制终止条件避免树形结构分支过细，要么就是通过对已经形成的决策树进行剪枝来避免过拟合。另外一个克服过拟合的手段就是基于Bootstrap的思想建立随机森林（Random Forest）。
若按婚姻状况属性来划分，属性婚姻状况有三个可能的取值{married，single，divorced}，分别计算划分后的
{married} | {single,divorced}
{single} | {married,divorced}
{divorced} | {single,married}
的Gini系数增益。
当分组为{married} | {single,divorced}时，SlSl表示婚姻状况取值为married的分组，SrSr表示婚姻状况取值为single或者divorced的分组
Δ{婚姻状况}=0.42−410×0−610×[1−(36)2−(36)2]=0.12
Δ{婚姻状况}=0.42−410×0−610×[1−(36)2−(36)2]=0.12
当分组为{single} | {married,divorced}时，
Δ{婚姻状况}=0.42−410×0.5−610×[1−(16)2−(56)2]=0.053
Δ{婚姻状况}=0.42−410×0.5−610×[1−(16)2−(56)2]=0.053
当分组为{divorced} | {single,married}时，
Δ{