iMODEL · 交互式科普

了解决策树
能够像你一样思考的 AI 模型

向下滚动，亲手「长」出一棵决策树 · 5 分钟看懂

SCROLL↓

先说人话

那么，到底什么是决策树？

决策树，就是把人类「层层提问、逐步判断」的思维方式，转化成 AI 模型的一种方法。

你有没有发现，自己做决定时其实一直在提问？出门前先问「今天会下雨吗」，再问「要走很远吗」，一步步问下来，答案自然就出来了。决策树做的就是同一件事：从最关键的问题问起，按是与否分出岔路，再继续追问，直到给出明确结论。

不一样的地方在于 – 它能从大量历史数据里自动找出该先问什么、再问什么，并把这套问法固定成一棵树。于是原本只藏在老师傅脑子里的判断经验，变成了一套谁都看得懂、能复用、能解释的规则。

接下来用一个例子，带你亲手「长」出一棵这样的树 ↓

你脑子里，其实就有一棵决策树

今天出门，要带伞吗？

天阴吗？
- 否不用带 ☀
- 是有雨预报吗？
  - 否不用带
  - 是带伞 ☂

一连串是否问题 → 一个明确答案

先认识你的客户

这是某门店的 120 位会员（示例数据）。横轴是月消费，纵轴是活跃天数，颜色是他们真实的价值分层：高价值、普通、流失风险。

问题来了 – 能不能让 AI 自己学会怎么区分他们？

切第一刀

最好分的是高价值客户：月消费一旦过线，几乎全是金色。于是画下第一刀 – 月消费 ≥ ¥6,000 的划为高价值。

这条线，就是决策树的根节点。

再切一刀

剩下的人里，活跃天数很低的基本都是流失风险。再补一刀 – 活跃 ≤ 8 天归为流失风险，其余的就是普通客户。

三个区域，分得清清楚楚。每问一个问题，就把人分成更「干净」的两堆。

要不要继续切？

角落里还混着一两个「不听话」的点。要不要再加几刀，把它们也单独圈出来，让画面看起来更完美？

嗯……看起来是更整齐了。

打住，别钻牛角尖

千万别。为了几个特例疯狂加刀，模型就会把偶然当成规律，换一批新客户立刻失灵 – 这叫过拟合。

停在刚刚好，才最聪明。这一步叫「剪枝」。

你来切一刀

拖动下面的滑块，自己移动这条线，看右边高价值区域的纯度怎么变。

线切得越准，右边的金色就越纯。AI 选分割点靠的就是这个直觉 – 哪一刀切得最干净，就用哪一刀。

来个新客户

一位新会员：月消费 ¥4,200、活跃 15 天。顺着树往下走 – 不到 ¥6,000、活跃又大于 8 天 – 落进普通客户。

整个判断，每一步都看得见、说得清。这正是决策树最值钱的地方。

月消费分界线高价值区纯度：—

它到底有什么用

决策树能帮你解决什么业务问题

说到底，它把你每天凭经验拍板的判断，变成一套看得见、能复用、可解释的规则 – 让更多人、更快、更一致地把决定做对。下面这些问题它都能上手：

「谁快要流失了？」

提前几周锁定高流失风险客户，把有限的挽留预算花在真正会走的人身上，而不是全员发券。

→ 挽留更精准，营销不浪费

「这笔申请批不批？」

用历史数据给出风险分级，还附上每一条判定理由 – 审批更快，标准更统一。

→ 又快又稳，经得起追问

「哪些客户值得加码？」

把客户分成高价值、普通、风险三层，销售和营销资源一眼就知道该往哪儿投。

→ 资源投在刀刃上

「这批货有没有问题？」

把老师傅的判断经验沉淀成规则，做良品检测与异常预警，减少漏判与事后返工。

→ 经验不再只在少数人脑子里

共同点：原本藏在少数人经验里的判断，变成了全公司可复用的资产。

为什么企业偏爱它

很多 AI 模型是黑盒，决策树不是

当你要向领导、监管或客户解释「这个判断是怎么来的」，一棵能讲清楚的树，比一个说不明白的黑盒模型有用得多。

✓︎

看得懂、讲得清

每个判断都有据可循，天然可解释、可审计。

⚡

训练快、好上手

文字、数字都能用，几乎不需要复杂预处理。

🛡

对异常值稳健

个别极端数据不太会带偏整体判断。

🌳

能升级成森林

多棵树一起投票，就是更稳更准的随机森林。

不讲道理，直接上手

在 iModel 里，5 个节点搭出这棵树

上面那棵树，在 iModel 里不用写一行代码、不用碰一个公式。拖 5 个节点、连起来、点运行，就有了。

① 准备数据

一张 Excel，历史会员记录（4 个字段 + 1 个已知分层标签）· 示例数据

会员	月消费(¥)	活跃天数	会员月数	是否投诉	价值分层（已知）
A001	8,420	22	36	否	高价值
A002	3,150	4	11	是	流失风险
A003	4,600	16	20	否	普通
……共两千余行

② 在 iModel 里搭这条工作流（拖拽节点 + 连线，零代码）

iModel · 工作流画布

Excel 读取

📄

数据切分

✂️

决策树学习器

🌳

决策树预测器

🎯

评分器

📊

读入数据 → 切分训练与测试 → 学出决策树 → 预测 → 评分。五个节点全部执行成功（绿灯）

③ 点运行，看到结果

iModel · 决策树视图

月消费 ≥ ¥6,000?
- 是高价值
- 否活跃 ≤ 8 天?
  - 是流失风险
  - 否普通

91.8%

评分器给出的测试集准确率（示例）

✓︎点开「决策树视图」，整棵树的分裂规则一目了然，可截图汇报。
✓︎模型可导出，直接用在每天新进的会员上。
✓︎想更准？把「决策树学习器」换成「随机森林学习器」即可。

0 行代码 0 个公式拖拽即可麒麟 / 统信 x86-64 环境已部署

※ 本页的会员数据、分层结果与准确率均为便于说明而构造的示例，不代表任何真实客户或项目结果。实际效果取决于数据质量与业务场景。

FAQ

关于决策树，还常被问到

决策树和随机森林是什么关系？

随机森林就是很多棵决策树一起投票。单棵树容易受数据里的偶然波动影响，几十上百棵树各自基于不同的样本和特征子集训练，再取多数结果，稳定性和准确率通常明显更好。代价是可解释性下降 – 你能看懂单棵树，但很难向领导解释一百棵树的集体决定。所以需要向监管或客户解释判断依据时，仍然常用单棵决策树。

什么样的数据适合用决策树？

有明确标签的历史数据，也就是每条记录都已知结果（这个客户后来流失了没有、这笔申请当时批了没有）。字段可以是数字也可以是文字分类，不需要归一化或复杂预处理。样本量方面，几百行就能跑出东西，但要稳定通常需要上千行，且各类别的样本不能过于悬殊。

准确率多高才算能用？

没有统一标准，要看基线。如果三类客户里有 70% 是普通客户，那么一个「全都猜普通」的傻模型准确率就有 70% – 这时候 75% 的模型其实没什么价值。更该看的是各类别的召回率与误判代价：漏掉一个高流失风险客户和误判一个普通客户，业务上的损失完全不同。

不会写代码，真的能自己做出来吗？

可以。上面五个节点都是拖拽配置，没有一行代码。如果想从更基础的地方开始，建议先跟着八讲入门教程把读表、清洗、多表关联这些基本操作走一遍，再回来做建模会顺很多。具体节点的中文说明可查节点手册。

把这套流程，用在你自己的数据上

iModel 数据科学平台：零代码搭建、可视化、可解释，可作为 SAS、SPSS、KNIME 的替代方案，支持离线私有化部署。

预约产品演示免费下载试用

想先动手？八讲入门教程免费，约 165 分钟，用一份真实台账数据从头做到尾。