机器学习——随机森林和决策树的区别（暂记）
决策树本质是一颗由多个判断节点组成的树。决策树算法的核心是通过对数据的学习，选定判断节点，构造一颗合适的决策树。树模型不需要做归一化：归一化的目的是为了加快梯度下降法的收敛速度，但是决策树模型不需要计算梯度树模型只考虑特征的划分界限，而不需要考虑特征的值范围决策树的关键是选择最优划分属性。一个属性会有多个取值，根据这个属性的不同取值将输入的数据划分为多个样本集合，一个取值对应一个分支集合，(注意，CART树只选取一个取值，因此是划分为二叉树）使得每个取值分支集合中的样本尽可能属于同
