学习目标：理解决策树的构建原理和分裂标准，掌握信息增益、基尼系数等概念，学会决策树的剪枝方法，深入理解集成学习的思想，掌握随机森林和梯度提升的基本原理。
> 从第17章到第18章：从概率模型到规则模型
在第17章中，我们学习了逻辑回归——一个基于概率的线性分类器。它给出的是概率预测，决策边界是平滑的线性超平面。但在现实世界中，我们经常需要能够解释"为什么"的模型，需要能用简单规则描述的决策过程。
想象你是一位银行信贷经理，需要决定是否批准贷款申请。你的决策过程可能是这样的：
- 如果申请人年收入低于3万元，直接拒绝
- 如果年收入高于10万元，且信用记录良好，直接批准
- 如果年收入在3-10万元之间，需要进一步看房产情况…
这种基于一系列if-else规则的决策过程，正是决策树的核心思想。决策树不仅能给出预测结果，更重要的是能清晰展示决策逻辑，这种可解释性在许多实际应用中至关重要。
但单一的决策树往往不够稳定，小的数据变化可能导致完全不同的树结构。这时候我们需要集成学习的智慧：让多个"专家"（模型）共同决策，通过群体智慧克服个体的局限性。
这就像在一个重要决策中，我们会征询多位专家的意见，而不是只听一个人的建议。随机森林让每棵树看到数据的不同侧面，梯度提升让后
)
)
PCB丝印批量修改)
