cart算法是一种机器学习算法，可用于分类树与回归树（Classification And Regression Trees）。CART算法使用于机器学习、数据挖掘、统计分析等领域，包括定义、建模和把模型运用于具体应用。
CART回归树与分类树不同，专门用于回归和分类问题。分类树是用于分组不同类型的数据或者实例，而回归树是用于预测实际值的模型。CART算法的决策节点一般由数据集的特征值构成，分类树和回归树的节点依据如叶子节点上的响应变量类型所确定，比如，回归树的叶子节点上的响应变量类型可以是实际量，而分类树据此叶子节点上可以是分类变量。
CART方法也称分离边界，是一种用于构建类别间分离边界、数据拟合与预测的机器学习算法，其在分类和回归中都有很好的应用效果，而且CART算法能够产生可解释的结果，容易理解，用于决策和数据挖掘领域应用广泛。
CART算法的优点是，可以处理多类别的特征，可以在输入特征中快速识别出影响响应变量的决定性特征，并处理好数据之间的关联性，使用CART算法可以得到一个可解释的模型，能够用较少的复杂性得到较好的效果。但是它也有一些缺点，比如，CART生成的决策树容易过拟合，以及当CART算法处理有噪声的数据集有时会出现不理想的结果。
CART算法已成为机器学习研究的热门话题，在分类和回归问题中都得到广泛的应用，其它强大的算法也专门创建来改进CART算法的结果。
