决策树是一种可以用于分类和回归的监督式学习算法，它由一个树形结构组成，其中的结点代表对属性的检测，从结点分出的分支代表检测结果。每个叶子结点是一个类标签，从根到叶子结点的路径定义了分类或者回归的规则集合。
决策实现过程：训练函数；预测函数；决策树显示函数。
训练函数
语法
决策树训练函数的语法如下：
tree_train( training_table_name, output_table_name, id_col_name, dependent_variable, list_of_features, split_criterion, weights, max_depth, min_split, min_bucket, n_bins, pruning_params ) |
参数说明
l training_table_name: 含训练数据的输入表表名。
l output_table_name: 保存训练结果的结果表。
l id_col_name: 训练数据中包含ID信息的列名，每行的值应是唯一的。
l dependent_variable: 因变量的列名，boolean、integer、text被视为分类输出，而double 则被视为回归输出。
l list_of_features: 以逗号分隔的自变量的列名。
l split_criterion: 分离标准。对于分类树，可以是'gini', 'entropy', 'misclass'，默认为'gini'；对于回归树，则只能是'mse'。
l weights: 标识每行输入数据权重的列名。
l max_depth: 树的最大深度。
l min_split: 结点分叉最小观察数。
l min_bucket: 叶子结点最小观察数。
l n_bins: 连续自变量的分位数。
l pruning_params: 剪枝参数，格式为逗号分隔的键值对，支持两种：cp（剪枝成本），n_folds（交叉验证的折叠次数）。
结果表说明
训练函数成功执行后，会创建保存模型信息的结果表，结果表包含如下字段用来表示模型信息：
l pruning_cp: 用于修剪训练树的成本复杂度参数。
l tree: 训练后得到的模型，二进制格式。
l cat_levels_in_text: 分类变量的有序级
l cat_n_levels: 每个分类变量的级数
l tree_depth: 训练后树的最大深度。
