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
先说人话
那么，到底什么是决策树？
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：它从一个最关键的问题问起，按”是 / 否”分出岔路，再继续追问，直到给出一个明确的结论。
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，我们就用一个真实的例子，带你亲手”长”出一棵这样的树 ↓
- 天阴吗？
- 否不用带 ☀
- 是有雨预报吗？
- 否不用带
- 是带伞 ☂
先认识你的客户
这是某门店的 120 位会员。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”。
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。
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：
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。
用历史数据自动给出风险分级，还附上每一条拒绝理由——审批更快，标准更统一。
自动把客户分成高价值 / 普通 / 风险三层，销售和营销资源一眼就知道该往哪儿投。
把老师傅的判断经验沉淀成规则，做良品检测与故障预警，减少漏判与事后返工。
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。
为什么这么受企业欢迎
很多 AI 是黑盒，决策树不是
当你要向领导、监管、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，几乎不用复杂预处理。
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。下面是一次真实跑法。
| 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 2,143 行 | |||||
- 月消费 ≥ ¥6,000?
- 是高价值
- 否活跃 ≤ 8 天?
- 是流失风险
- 否普通
- ✓点开”决策树视图”，整棵树的分裂规则一目了然，可截图汇报。
- ✓模型可一键导出，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。
