在使用决策树时，有一件事需要特殊注意，那就是过拟合。
问题的根源在于，标准的决策树算法在每个节点上贪婪地选择最佳分裂，导致决策树被允许生长，直到所有叶子节点都是纯的。
当模型正确分类了所有训练实例，也就导致了 100% 的过拟合和较差的泛化能力。
例如，考虑这个虚拟数据集：
在数据集上拟合一个决策树，并可视化它。
通过分析训练和测试性能指标，很明显，模型已经在训练数据集上过拟合了。
那如何解决呢？
在使用决策树时，有一件事需要特殊注意，那就是过拟合。
问题的根源在于，标准的决策树算法在每个节点上贪婪地选择最佳分裂，导致决策树被允许生长，直到所有叶子节点都是纯的。
当模型正确分类了所有训练实例，也就导致了 100% 的过拟合和较差的泛化能力。
例如，考虑这个虚拟数据集：
在数据集上拟合一个决策树，并可视化它。
通过分析训练和测试性能指标，很明显，模型已经在训练数据集上过拟合了。
那如何解决呢？
