# 决策树

## 元数据

- 书名：百面机器学习：算法工程师带你去面试
- 作者：葫芦娃
- 章节：第 3 章 经典算法
- 页码线索：061
- 目标岗位：AI PM / LLM 产品 / 算法工程师面试
- 优先级：P0
- 标签：decision-tree, interpretability

## 面试问题

决策树如何选择分裂特征，如何剪枝？

## 30 秒回答

决策树通过信息增益、增益率或基尼指数选择分裂，使节点更纯。剪枝通过限制深度、叶子样本数或后剪枝减少过拟合。

## 展开要点

- ID3 常用信息增益，C4.5 用增益率，CART 用基尼指数或平方误差。
- 树模型可处理非线性和特征交互，解释性较好。
- 单棵树高方差，容易过拟合。
- 随机森林和 GBDT 都是在树模型基础上的集成。

## 高频追问

- 信息增益为什么偏好多取值特征？
- 预剪枝和后剪枝有什么区别？
- 树模型为什么不太需要归一化？

## 项目映射

- 用风控规则、用户分层、运营策略解释树的可解释性。
- 把树路径当作可解释的特征组合。

## AI PM 迁移

AI PM 可借决策树理解人机协作中的规则兜底和可解释分层。

## 备注

本卡为面试复习用的概念重构和答题框架，不保存原书正文。