1.概述
用决策树算法进行回归模型训练。
➢例如：决策树回归可以用于预测客流量。
输入：1个数据集。
输出：模型、真实值与预测值对比图（训练集）、真实值与预测值对比图（验证集）、训练集性能指标（MSE、RMSE、MAE、EVS、R2、Adjusted R2）、验证集性能指标（MSE、RMSE、MAE、EVS、R2、Adjusted R2）、决策树、特征重要性图、平行坐标图、PMML文件。
2.配置方法
将决策树回归节点添加到实验后，可通过右侧的“配置项目”页面，对决策树回归节点进行设置。
2.1参数列表
【使用集群】选择true时，算子使用分布式集群运行，选择false时单机运行，默认为false。集群运行需要在集群环境下才能生效。
【自动调参】自动调参取值为true时，模型自动进行超参数优化，取值为false时，需要手动调参。
【分裂准则】mse：均方误差。friedman_mse：修正的均方误差。mae：平均绝对误差。
【分裂策略】best：在所有分裂点中找到最优分裂点，适用小数据量。random：随机在部分分裂点中找到局部最优分裂点，适用大数据量。
【最大深度】推荐在特征多同时样本量也多时，适当增大最大深度设置。设置为0时，禁用最大深度限制。
【分裂所需最小样本数】节点中样本量小于设定值，该节点停止分裂，可限制决策树分支的增长，设定值越小决策树模型复杂度越低，泛化能力提高，但是会减低精度。
【叶子节点最小样本数】当前节点的子节点中的任一节点样本量小于设定值，会和其所有兄弟节点被剪枝，设定值越小决策树模型复杂度越低，泛化能力越低，但是会增大精度。
【叶子节点最小样本权重和】当前节点的子节点所有样本权重之和小于设定值，会和其所有兄弟节点被剪枝。
【最大特征数】特征划分时考虑的最大特征数。auto：最大特征数=sqrt（特征总数）；sqrt：最大特征数=sqrt（特征总数）；log2：最大特征数=log2（特征总数）；None：最大特征数=特征总数。
【最大叶子节点】推荐在特征多同时样本量也多时，适当限制整棵树的叶子节点数量，设置限制整棵树的叶子节点数量，设置为0时，禁用最大叶子节点数。
【最小不纯度降低值】决策树在创建分支时，信息增益必须大于这个设定值，否则节点不分裂。该值设定越低，泛化能力越低，但是会增大精度。
2.2选择变量
特征列：选择模型训练的特征字段，至少选择一个字段。
目标列：选择模型预测的目标字段，只能选择一个字段。
选择数据页面操作见插件节点>选择数据。
3.查看结果
可通过连接多视图节点查看结果或连接表格视图来查看性能指标。连接图片视图来查看真实值与预测值对比、决策树、特征重要性图和平行坐标图。连接保存为PMML文件，将训练后的模型转化为pmml格式，输出pmml文件。也可连接保存为训练模型节点，将模型保存为操作节点后再次使用。
评估指标可以通过说明进行了解。
特征重要性展现了每个特征对于模型的影响大小，并对它们进行降序排列。
平行坐标图中颜色的深浅代表了数据分布情况，颜色越深代表该区间上的数据分布越多。
