决策树是一种广泛应用于各类决策场景中的机器学习算法，有点类似于模拟人类决策的思维过程，它将解决问题的思路完善的列成一颗决策树，可以有效解决复杂的问题。
决策树由根节点、内部节点和叶节点组成，用图形表示的话像一颗树，每个根节点或内部节点即建立一个判断条件，叶节点表示输出结果。具体的逻辑过程如下：首先从根节点开始，根据每个节点建立的判断条件，判断实例属于哪个叶节点子节点，依次向下直到叶节点，从而输入结果。
决策树也多用于分类，其核心思想是根据训练数据的特征，判断实例属于哪一类。决策树不仅可以用来进行分类，还能用来预测某一变量，例如对客户消费行为的预测，对表现不佳学生进行考试后清晰程度的预测，以及其他许多领域。
决策树算法也有自己的优点和缺点：优点是可解释性高，计算复杂度低，能自动处理非线性特征；缺点是容易发生过拟合，以及训练数据量大时建立决策树较慢。
总之，决策树是一种普及度极高的算法，它的特性使它得以优化解决复杂的决策场景，并且具有很多有效的应用。它也很受欢迎，因为它能够自动根据训练数据处理非线性的数据特征，而且可读性极强。
