<span style=\"em;\">决策树是一种分而治之(Divide and Conquer)的决策过程。一个困难的预测问题, 通过树的分支节点, 被划分成两个或多个较为简单的子集，从结构上划分为不同的子问题。将依规则分割数据集的过程不断递归下去(Recursive Partitioning)。随着树的深度不断增加，分支节点的子集越来越小，所需要提的问题数也逐渐简化。当分支节点的深度或者问题的简单程度满足一定的停止规则(Stopping Rule)时, 该分支节点会停止劈分，此为自上而下的停止阈值(Cutoff Threshold)法；有些决策树也使用自下而上的剪枝(Pruning)法。历史上,因为预测结果方差大而且容易过拟合, 决策树曾经一度被学术界冷落。</span>
逻辑回归也根据不同的回归迭代方式选择不同以及参数设定不同，跟决策树结果迥异，这是常有的现象。最后不管什么方法，相对最优选择还是要模型比较，比如说AIC, 误判率等等。

补充说明，任何模型和算法选择，造成差异的各种假设和细节太多了。因此基本原则是符合模型选优标准，同时具有可解释性。

符合模型选优标准啥意思啊？有点专业，不太懂。有没有方法使两个结果一致？

传统理论上有三个指标评价模型效力

或者定制化独特指标，根据模型判别力，优选出理想模型，再不断用新数据迭代