携手创作，共同成长！这是我参与「掘金日新计划 · 8 月更文挑战」的第1天，点击查看活动详情
我们知道，如果待预测分类（目标数据Y）是离散型数据，则CART生成分类决策树；如果待预测分类（目标数据Y）是连续型数据，则CART生成回归决策树。而特征数据（条件数据X）的连续性和离散型则不对树的类型产生任何影响。
分割属性选择的指标是Gain_σ，选择Gain_σ小的属性以及属性值，作为最优分割属性以及最优分割属性值。Gain_σ值越小，说明二分分割后子数据中的类别就越少，越单一，选择该属性（值）作为分割属性（值）的效果越好。
假设D是带有连续分类结果的样本集，Y是连续类别标签，X是特征数据集，则样本集D的标准差为：
其中，μ表示样本集D中分类结果的均值，yi表示第i个数据分类结果。
假设C为数据集中的某一个属性，ck为该属性的第k个属性值。该属性值把数据集D分割成两部分D1和D2，该分割的方差增益定义如下：
对于属性C，分别计算该属性任意属性值将数据集划分成两部分之后的Gain_σ，选取其中的最小值和其对应的属性值，作为属性A的最佳二分方案：
计算其他所有属性的最小方差增益和其对应的属性值，然后比较所有最小方差增益，找出最小值，从而确定其对应的属性和属性值，该属性和该属性值即为数据D的最佳分割属性和分割属性值。
Cart算法的实现由于与ID3和C4.5的高度相似性，这里就不在对其进行Python实现。可直接从scikit-learn库调用Cart函数。
