g(x) 即为最终的选择
容易理解，但缺乏强有力的数学理论保障
1.首先学如何做分支
2.根据分支，分成c块，
3. 各分支学习一个各自的小树
4. 各分支整合起来，生成大树。
但只有这4个步骤，可能不行，因为没有停止的条件。
1.每次一刀切两段，只建造二元树
2. 回传一个最好的常数（二元分类，回传最多的y；回归问题，回传y的平均）
1.利用decision stump切分二元树。decision stump：在data中只看一个feature，决定完看那个feature后，就往两边切割，一边为+1，一边为-1。
CART：不断切割，到leaf时返回常数。
2.purifying：切开后，看起来比较纯的左边的dataset与右边的dataset，用最纯的切割方式作为现在的切割方法。
通过Ein 最小，来体现分类的纯度
Ein=0，可能会导致模型过复杂，容易overfit
选择一个Ein不那么大，但不会overfit的树
摘掉一片叶子的树出发，逐步增加叶子，生成不同的树，选择Ein与复杂度加权后最优的树。用validation set选择一个适合的lambada
如果体重信息缺失，可以利用其它feature，如身高做切割，切出类似的效果。一般，身高越高，体重越重
第一刀，左边非常纯净，两边各做一个子树，组成一颗大树
第二刀，对右边的子树切割，同样，左边最纯
第三刀，类似第二刀，将右边的子树的子树切割
同理，继续
切刀都很纯净
回传常数
CART：每次针对不同的决策边界做切割，可以做比较细致的切割。
看起来比Adaboost，一定要切割完全的水平/垂直刀更有效率
CART如果不做pruning，会得到low Ein，但可能会导致overfit，high Eout
