CART，全称为分类与回归树（Classification and Regression Trees），是一种决策树算法，由Leo Breiman、Jerome Friedman、Richard Olshen和Charles Stone在1984年提出。CART树既可以用于分类问题也可以用于回归问题，其通过递归地分割数据集来构建二叉树。

CART树的特点：

• 二叉树结构：与ID3、C4.5等多分支决策树不同，CART总是采用二分法对节点进行分裂。
• 适用于分类和回归：对于分类问题，使用基尼系数或分类误差来决定如何分裂；对于回归问题，则使用平方误差最小化原则。
• 剪枝策略：为了避免过拟合，CART采用了成本复杂度剪枝方法（cost complexity pruning），也叫做后剪枝，通过一个叫做“复杂度参数”的变量来平衡树的大小和它的训练误差。
• 处理缺失值：虽然原始的CART算法没有直接处理缺失值的方法，但实践中可以通过代理分裂等方式来处理缺失值问题。

分裂准则：

• 分类树：使用Gini指数作为分裂准则。Gini指数衡量的是从数据集中随机抽取两个样本，其类别不一致的可能性。Gini指数越小，说明数据纯度越高。
• 回归树：选择使平方误差最小化的特征及其阈值来进行分裂。平方误差反映了预测值与实际值之间的差异程度。

CART树是构建随机森林和支持向量机等更复杂的机器学习模型的基础之一。由于其直观且易于理解，CART树广泛应用于各种领域，如金融风险评估、医学诊断等。