一个例子让你明白什么是CART回归树

关于CART的原理我相信各位都有看过，是不是有些晕呢?没关系，这里我给大家讲个例子，你就理解原来CART回归树生成这么简单啊。。。
首先建立一个数据集，为了方便，就取少量数据，如下表，数据的创建仅作参考

臂长（m）	年龄(岁)	体重（kg）	身高（m）(标签值)
0.5	5	20	1.1
0.7	7	30	1.3
0.9	21	70	1.7

训练数据中臂长，年龄，体重为特征变量X，身高为标签值Y，下面开始种树
1、首先将第一个特征的第一个值作为切割点（0.5），则划分的两个空间记为R1,R2
$$R_1=\left\{0.5,5,20\right\}$$ $$R_2=\left\{(0.7,7,30),(0.9,21,70)\right\}$$
$$c_1=\left\{1.1\right\}$$ $$c_2=\frac{1}{2}\left(1.3+1.7\right)=1.5$$
则平方误差（(真实值-预测值)的平方）

$$m\left(0.5\right)=(1.1-1.1{)}^2+(1.5-1.3{)}^2+(1.5-1.7{)}^2=0.08$$
2、将第一个特征的第二个变量（0.7）作为切割点，类比第一步，划分的两个空间记为R1,R2
$$R_1=\left\{(0.5,5,20),(0.7,7,30)\right\}$$ $$R_2=\left\{(0.9,21,70)\right\}$$
$$c_1=\frac{1}{2}\left(1.1+1.3\right)=1.2$$ $$c_2=\left\{1.7\right\}$$
则平方误差$$m\left(0.5\right)=0.02+0=0.02$$
所以对于固定了特征后，从上面的MSE得出，所以特征“臂长=0.7”为切分点。同理。对于特征年龄，也可以采取上述的方式寻找最佳切分点，这样遍历了所有的特征，寻找平方误差最小的对（j,s）,j表示第j个特征，s表示第j个特征的第s个值。本例中最佳切分点为0.7，所以以此将特征空间划分为两个区域（R1，R2）.
3、对于第二步得到的R1h和R2，分别再次求最佳切分点，递归操作，过程同1~2。