Regression Tree (CART)

回归树（Regression Tree）是决策树算法在连续值预测任务中的直接延伸，其核心目标是通过递归地将特征空间划分为互斥的子区域，并在每个叶节点上计算该区域内样本目标变量的均值作为预测值。与线性回归依赖全局线性假设不同，回归树不预设变量间关系形式，能够自适应地捕捉数据中的复杂非线性模式与交互效应。作为树模型家族的基础构件，它在统计学习理论中属于分箱（Binning）方法的典型代表，广泛应用于从单变量分析到多变量回归的广泛场景。

在现代计算架构与大数据生态中，回归树扮演着连接传统统计分析与现代机器学习的关键角色。它既保留了传统回归分析的可解释性优势，又通过树状结构突破了线性模型的局限，成为处理高维、非线性数据的首选工具之一。在工程实践中，回归树常作为集成学习算法（如随机森林、梯度提升树）的基础单元，通过组合多个弱学习器构建强预测模型。其独特的分步决策机制使其在特征重要性评估、异常检测及业务规则提取等方面具有不可替代的价值，是构建可解释性 AI 系统的核心组件。