简介
机器学习中，决策树是一个预测模型，代表对象属性与对象值之间的一种映射关系。树中每个节点表示某个对象，而每个分叉路径则代表某个可能的属性值，每个叶节点则对应从根节点到该叶节点所经历的路径表示的对象的值。决策树仅有单一输出。
提出问题
光看概念会比较抽象，那么举个实际中的问题来帮助理解。
现在我们需要为用户推荐应用，针对不同用户我们要向其推荐最有可能下载的应用。这是一个十分常见的应用场景。
观察数据
以下有一张用来制定推荐规则时参考的数据表
表中数据可以观察到，其中有6组示例用户数据，分别记录了他们的性别、年龄与下载过的应用。
那么，针对以上数据表，性别和年龄哪个特性对预测用户会下载哪个应用更有效？
不难看出，年龄会是更有效的参考指标。假设用性别区分用户，会发现女性用户既下载了Pokeman Go也下载了WhatsApp，而男性用户也下载了PokemanGo，另外还下载了SnapChat，因此体现不出明显差异。用年龄区分用户则很容易发现，20岁以下的年轻用户群体都下载了PokemanGo。接下来，将20岁以下的示例用户数据排除，剩下20岁以上用户则可以用性别再去判断，女性普遍下载WhatsApp，男性普遍下载SnapChat。
绘制决策树
通过分析数据表，我们便可以得出以下决策树，到此决策树的概念也就不难理解了。
通过大数据得出了决策树，之后便可以根据不同目标用户的不同属性值，有针对性进行应用的精准推荐了。
参考
决策树——Wikipedia
机器学习纳米学位课程——Udacity
