一是，MailShot数据集，共有300个观察，其目标变量是MAILSHOT，二项因子变量，一类有135观察，另一类有165个观察，对不？？ 我没有见过你的这个MailShot数据集 。
  二是，CART树，分类起始，先将所有300个观察全放入Root node(树根结）中。
三 是，CART对分类，是按多数胜制投票来决定每个结（node)的类。现在Root node 中共有300个，但另一类有165个，因此就会将300个观察全分为另一类，如此，就出现了135个分类错误。 这就是 Root node error: 135/300 = 0.45
四是，你建完CART模型后，还是用MailShot数据集作预测，因此，你的预测是样本内的预测，预测误也是样本内，这过于乐观地评价了你的CART模型的绩效，一般不用，该用测试数据。
五是，你将预测的类结果，建了混淆矩阵  ，这是分类结果评价的重要方法之一，做分类该对它相当熟悉。但它只是依一个切点（0.5）的结果，是否最优 ，有待分析（这本是一个分类中的大题目）。
六是，混淆矩阵的对角格中数，是模型正确分类的观察数，另二格是错分类的观察数。你计算的E1 即是错分类观察数的占比，结果为0.283。但这是样本内分类误。。。
   以上，只涉及两个“模式识别与分类”基本概念：一是模型学习机理，二是模型结果后处理。

以上东西，是不很基本？太基本，我也可能不一定全说对了 ？ 因基本，也易说错，也就不想说。。
Leo Breiman （1984）Classification_and_Regression_Trees 一书中说得很清楚，也大量被后来30多年的研究论文、学术书籍及教材引用。。。

非常感谢前辈的细致解答！
前辈所言极是，输出变量确定是一类165，一类135;
之前学习算法时，只在bagging\boosting\RF中了解到这种多数投票制，没想到单棵分类树中也是这样来决定每个结点的类，前辈的解释应该是对的，想不到有其它更好的解释。这个根节点的错误率知识点虽然在目前所学的书中未提及，却能让我加深对R输出结果的认知，同时这也是其它算法可能需要考虑的数据不平衡问题。
你说的用测试数据评估，实际应用中是该测试数据。
关于预测的类结果,学习Logit回归、神经网络时有用到ROC曲线方法去确定最佳阀值,但决策树似乎只用此混淆矩阵，在组合预测集成学习中似乎可以得到显著提升，不知前辈怎么看？
非常感谢前辈的推荐的书,相信这书能较全面地讲解关于分类回归树的问题,像这种好书可能就不前辈所说的随便一本就有介绍,也不是一般人就能看得下,网上也看不到有中文版的。不知国内有没类似的中文版书籍能比较系统地学习这种算法？

另外,分类回归树还有一个规则问题前教一下前辈.
之前在其它数据挖掘软件有见过一些案例,的确有一些规则输出.但那案例是基于响应率及累计响应率的规则输出,
R语言对树象输出的这些规则是基于什么样的指标?可以看出这里分别输出MAILSHOT=YES和=NO的一些规则,两者数量也不同一个是5条,一个是6条?这些就代表各自预测准确率排名靠前的规则? 输出的规则号也是离散的?

library(rattle)
> asRules(TreeFit)#输出规则

Rule number: 7 [MAILSHOT=YES cover=26 (9%) prob=0.85]
   INCOME>=3.009e+04
   INCOME>=4.932e+04

Rule number: 39 [MAILSHOT=YES cover=11 (4%) prob=0.73]
   INCOME< 3.009e+04
   GENDER=FEMALE
   CAR=NO
   AGE>=29.5
   INCOME< 2.041e+04

Rule number: 13 [MAILSHOT=YES cover=52 (17%) prob=0.67]
   INCOME>=3.009e+04
   INCOME< 4.932e+04
   INCOME< 3.961e+04

Rule number: 43 [MAILSHOT=YES cover=22 (7%) prob=0.59]
   INCOME< 3.009e+04
   GENDER=MALE
   INCOME< 2.34e+04
   REGION=INNER_CITY
   INCOME>=1.434e+04

Rule number: 11 [MAILSHOT=YES cover=31 (10%) prob=0.58]
   INCOME< 3.009e+04
   GENDER=MALE
   INCOME>=2.34e+04

Rule number: 38 [MAILSHOT=NO cover=22 (7%) prob=0.36]
   INCOME< 3.009e+04
   GENDER=FEMALE
   CAR=NO
   AGE>=29.5
   INCOME>=2.041e+04

Rule number: 12 [MAILSHOT=NO cover=25 (8%) prob=0.36]
   INCOME>=3.009e+04
   INCOME< 4.932e+04
   INCOME>=3.961e+04

Rule number: 42 [MAILSHOT=NO cover=18 (6%) prob=0.33]
   INCOME< 3.009e+04
   GENDER=MALE
   INCOME< 2.34e+04
   REGION=INNER_CITY
   INCOME< 1.434e+04

Rule number: 20 [MAILSHOT=NO cover=32 (11%) prob=0.22]
   INCOME< 3.009e+04
   GENDER=MALE
   INCOME< 2.34e+04
   REGION=RURAL,SUBURBAN,TOWN

Rule number: 18 [MAILSHOT=NO cover=22 (7%) prob=0.18]
   INCOME< 3.009e+04
   GENDER=FEMALE
   CAR=NO
   AGE< 29.5

Rule number: 8 [MAILSHOT=NO cover=39 (13%) prob=0.13]
   INCOME< 3.009e+04
   GENDER=FEMALE
   CAR=YES

还是，找本详解CART的书或文章，瞧瞧！！  
Leo Breiman （1984）的书可有380多页，才讲清CART！！
理解透CART了，才能理解基于它的一些如randomForest ,gbm等ENSEMBEL机器 学习模型。。

好的，努力看看英文的那书看看吸不吸收得了，前辈如果有中文的好书或文章涉及该方面的问题，也给我推荐推荐！非常感谢前辈的指点！