改为中文：决策树是一种非参数化的监督学习方法，用于分类和回归，通过基于特征阈值的递归分割将输入空间划分为同质区域。每个内部节点根据某一特征的取值进行判断，每条分支对应判断结果，叶节点则给出预测标签或数值。常见分裂准则有基尼不纯度（Gini Impurity）、信息增益（Entropy）和方差减少（Variance Reduction）。决策树易于理解和可视化，且对数据预处理要求较低，但未经剪枝时容易过拟合。常用剪枝方法包括限制树深的预剪枝和基于成本复杂度的后剪枝。决策树是随机森林和梯度提升树等集成方法的基础。