这里先再次提出我们利用aggregation获取更好性能的Hypothesis G所涉及的方法：blending，就是在得到g_set之后进行融合；learning呢？就是在线online的获取g并融合。下面就是关于整个aggregation所涉及到的方法总结：
其中Bagging、AdaBoost我们都已经探讨，它们分别是基于uniform(voting / average)和non-uniform(linear)的aggregation type，那么下面就开始介绍一个基于conditional的learning model：decision tree（决策树）。
它实际上是模仿人类的决策过程，在C语言中很常见的if...else...语句就可以看作是非常简单的decision tree。看我们如何利用aggregation进行演进，如下图，我们希望internal nodes（内部的决策过程）都要非常简单。从入口处将状况进行分开为不同的branch，Gc(x)作为一个独立的Sub-Tree。就是把一颗大Tree，配合上分支条件，分拆为小点的树，实际上就是一个递归结构的定义。tree = （root, sub-trees），root根部告诉我们如何做branch。
另外对于Decision Tree有些好处和坏处，这里先给出，有一个大致的定位，如下图：
那么一个基本的decision tree演算法就应该如下：（采用递归的结构），所有的资料送入作出一个大的树，root，sub-tree，然后再对sub-tree进行分解，一直到sub-tree不能再分，就是碰到了叶子（leaf）后就逐级回传，最后合成大的decision tree。
一个典型的决策树：C&RT:classification and Regression Tree。1）将branch分支为2元树（binary tree）；2）leaf级的hypothesis是g = Ein-optimal constant (常数)；3）内部节点：就直接用decision stump；4）利用所有可能的decision stump来计算其纯度（purity），最大的purity作为最终的decision stump（branching by purifying）
那么纯度的衡量都有哪些呢？
那么演算法什么时候停止呢？到所有的purity=1时，可以回传一个常数了；或者是所有的xn都一样时，也就说没有了decision stump了。这种是叫作强制停止，有个特点：叶子回传的是一个常数。
所以，基本的C&RT算法如下，可以很容易做多类分类。
如果我们将树叶覆盖所有的数据，那么Ein很有可能就变成0了，这样我们很可能出现overfitting的现象，那又该怎样做呢？对！ regularization！：让叶子节点变得少，就有可能控制模型复杂度。但是我们找所有可能的 tree，这有可能非常多，计算量比较大，那么如果我们利用C&RT得到一个fully-grown tree之后，比如是10个叶子，我们可以依次去掉一片叶子来得到10个砍掉的树，这样来进行Regularization可能是有用的。如何选择lambda呢？
先讨论一下decision stump的输入特征都有哪些种，这将决定我们如何利用decision stump进行切割。如果是数字特征，那么很容易就是简单的decision stump，那么如果特征是categorical features时，可以利用decision subset进行处理。所以C&RT都可以处理。
如果有些特征丢失了，该怎么办呢？我们如果类比人的方法：就是类比，就是说，比如人的身高与体重有一定的关系，weight<50 == height < 150，就这样用替代的特征进行；所以C&RT能够处理丢失的特征；
最后举出一些例子来更加形象的了解Decision Tree这个模型的工作机制，跟AdaBoost-decision stump中的讲解类似，同样先从简单的例子入手：
就是逐渐的递归地把树给展开。那么与AdaBoost有和差别呢？
可以很清楚的看到，Decision Tree是一种有condition的切割，而AdaBoost则是全平面的切割，这样相比着decision tree就会有更加细腻的边界线，但是相比着AdaBoost VC bound的理论上的upper bound的限制，decision tree则没有那么多的理论上的解释，所以需要显式的regularization，而AdaBoost则不需要。
那么再看在复杂样本上的表现吧：
C&RT方法的特点如下总结。不同的decision tree的演算法不同之处可能就是在于如何regularization即如何砍树叶子（pruning），或者某些点上的处理不同而已。
下面可能要做的就是把C&RT算法基于上面的例子进行实现，并于AdaBoost-stump进行对比，以加深对Decision Tree的理论上的理解。
*****************************************************随时学习，随时分享******************************************************