学习路线：
1.李航 统计学习方法 5.5CART算法 看不懂，尤其是剪枝那一段
2.Peter Harrington 机器学习实战 第9章树回归 看懂了，但不是想要的（后来发现这仅是回归树的生成和剪枝）
短期总结一下：
CART是决策树的一种（顾名思义，分类与回归树），是ID3和C4.5的升级版（个人认为）！
但CART不是一个算法，它是2大类，即分类和回归，分别对应离散值和连续值
对于分类树，生成采用基尼指数（Gini Index）来评估数据的混乱程度，这里与ID3和C4.5采用的熵不同的是，基尼指数更加适合表征分类的混乱程度，并且计算收敛速度快（参考了不明来源）
对于回归树，生成采用方差和遍历法，分别遍历各个feat和指定feat上的各个value寻找方差最小的数据，使得分类更加的"纯"
CART的剪枝，机器学习实战采用了方差法类似的手段，并未采用类似于Breiman所述的α,C(t)算法
统计学习方法简单介绍了Breiman的CCP方法，即代价复杂度剪枝算法，但并未详细介绍C(t)和Cα(t)的算法，因此陷入泥坑！
大力推荐CCP的解释文章
至此所有概念开始稍微明朗开来
接下来就是获得剪枝后的一系列树的集合{T0,T1,...,Tn}（逐次嵌套，类似于俄罗斯套娃），用预留的交叉验证数据集去逐个验证每一个树的准确率，即可对这一系列的树进行取舍
最终获得最好的那一个修剪过的树（当然有可能不剪的是最好的）
注意中途有可能会剪掉比较高层的节点，这个时候树的规模削减的比较大，也就是说，树的集合并不是逐个减小（每次递减1），但是是严格减小（每次递减>=1）
最后没有理解的就是为什么每次都是取最小的g(t)作为α？