同求，希望论坛的哥们顶啊

C5.0是多叉树，CRT是二叉树；
C5.0的目标字段是分类型的，CRT的目标字段既可以是分类型的也可以是数值型的；

具体的内容如下：
一、 C 5.0算法  执行效率和内存使用改进、适用大数据集               
优点：               
1)面对数据遗漏和输入字段很多的问题时非常稳健；               
2)通常不需要很长的训练次数进行估计；               
3)比一些其他类型的模型易于理解，模型推出的规则有非常直观的解释；               
4)允许进行多次多于两个子组的分割。目标字段必须为分类字段。               
；
分类回归树  classification and regression tree(C&RT)  racoon                               
                               
优点                               
（1）可自动忽略对目标变量没有贡献的属性变量，也为判断属性变量的重要性，减少变量数据提供参考；                               
（2）在面对诸如存在缺失值、变量数多等问题时C&RT 显得非常稳健（robust）；                               
（3）估计模型通常不用花费很长的训练时间；                               
  (4) 推理过程完全依据属性变量的取值特点（与 C5.0不同，C&RT的输出字段既可以是数值型，也可以是分类型）                               
（5）比其他模型更易于理解——从模型中得到的规则能得到非常直观的解释，决策推理过程可以表示成   IF…THEN的形式                               
（6）目标是定类变量为分类树，若目标变量是定距变量，则为回归树；                               
（7）通过检测输入字段，通过度量各个划分产生的异质性的减小程度，找到最佳的一个划分。                               
（8）非常灵活，可以允许有部分错分成本，还可指定先验概率分布，可使用自动的成本复杂性剪枝来得到归纳性更强的树。                               
                               
决策树生长的核心是确定决策树的分枝准则。                               
一、 如何从众多的属性变量中选择一个当前的最佳分支变量；                               
也就是选择能使异质性下降最快的变量。                               
异质性的度量：GINI、TWOING、least squared deviation。                               
前两种主要针对分类型变量，LSD针对连续性变量。                               
                               
代理划分、加权划分、先验概率                               
                               
二、 如何从分支变量的众多取值中找到一个当前的最佳分割点（分割阈值）。                               
(1) 分割阈值：                               
A、数值型变量——对记录的值从小到大排序，计算每个值作为临界点产生的子节点的异质性统计量。能够使异质性减小程度最大的临界值便是最佳的划分点。                               
B、分类型变量——列出划分为两个子集的所有可能组合，计算每种组合下生成子节点的异质性。同样，找到使异质性减小程度最大的组合作为最佳划分点。                               

（ 可以搜索的到，但是最好的答案不是很好搜到）

感谢解答！

好！

此外，我感觉两者最明显的是 CRT在预剪枝、后剪枝头、模型优化调整参数，手动设置分组变量、交互功能等方面明显强于C5.0。