（1）C4.5算法的特點為：
輸入變量（自變量）：為分類型變量或連續型變量。
輸出變量（目標變量）：為分類型變量。
連續變量處理：N等分離散化。
樹分枝類型：多分枝。
分裂指標：信息增益比率gain ratio（分裂后的目標變量取值變異較小，純度高）
前剪枝：葉節點數是否小於某一閾值。
后剪枝：使用置信度法和減少-誤差法。
（2）CART算法的特點為：
輸入變量（自變量）：為分類型變量或連續型變量。
輸出變量（目標變量）：為分類型變量（或連續型：回歸分析）
連續變量處理：N等分離散化。
樹分枝類型：二分枝。
分裂指標：gini增益（分裂后的目標變量取值變異較小，純度高）。
前剪枝：maxdepth，minsplit，minbucket，mincp
后剪枝：使用最小代價復雜度剪枝法（MCCP）
（3）條件推理決策樹（CHAID，QUEST）算法的特點為：
輸入變量（自變量）：為分類變量或連續型變量。
輸出變量（目標變量）：為分類型變量（或連續型：回歸分析）。
連續變量處理：N等分離散化。
樹分枝類型：二分枝（以party包中的ctree函數為例）。
分裂指標：獨立性檢驗和相關性（分裂后自變量與目標變量的相關性）
------------------------------------------------------------------------------------
補充：隨機森林算法介紹
隨機森林是一種專門為決策樹分類器設計的優化方法。它綜合了多棵決策樹模型的預測結果，其中的每棵樹都是基於樣本的一個獨立集合的值產生的。
隨機森林算法的一般步驟為：首先固定概率分布，從原始訓練集中可重復地選取N個樣本形成t個子訓練集，然后使用這t個子訓練集產生t棵決策樹。最后把這t棵決策樹綜合組成一棵決策樹。
在R語言中，基於CART算法的隨機森林算法所涉及的函數是rpart包的randomForest函數，基於條件推理決策樹算法的隨機森林算法所涉及的函數是party包的cforest函數。
一般來說，隨機森林算法的效果要比一般的決策樹均好很多。
-------------------------------------------------------------------------------------
裝袋算法與隨機森林相對而言會生成多個樹模型，再進行組合預測，其效果遠大於單個樹模型。裝袋算法（bagging）采取自助法的思路，從樣本中隨機抽樣，形成多個訓練樣本，生成多個樹模型。然后以多數投票的方式來預測結果。隨機森林則(randomForest)更進一步，不僅對樣本進行抽樣，還對變量進行抽樣。