决策树的剪枝是将生成的树进行简化，以避免过拟合。
《统计学习方法》上一个简单的方式是加入正则项a|T|，其中|T|为树的叶节点个数。
其中C(T)为生成的决策树在训练集上的经验熵，经验熵越大，表明叶节点上的数据标记越不纯，分类效果越差。有了这个标准，拿到一颗生成好的树，我们就递归的判断一组叶节点，看它回缩前和回缩后的代价函数变化。如果代价函数回缩后变小，那么久回缩这组叶节点。当所有叶节点都进行过回缩测试后，剪枝也就完成了。
西瓜书（《机器学习》周志华）上给出了另外一种剪枝策略，即“留出法”，预留一部分数据用作“验证集”以进行性能评估。预留法以决策树在验证集上预测精度为是否剪枝的标准，执行顺序上分为预剪枝和后剪枝。预剪枝是边生成树边剪枝，训练速度快，但容易欠拟合；后剪枝是完全生成后再从底向上剪枝，得出的模型泛化性能好，但训练时间需要更久。
《统计学习方法》一书上还介绍CART算法的剪枝算法，个人觉得是训练集上剪枝与后剪枝的结合。运算量比较大，但拟合效果应该是最好的。
CART剪枝应该是对验证集不同的适应方法（对比后剪枝），好处应该是在适应验证集的基础上保留对训练集的适应。勉强说，后剪枝和CART的剪枝比起来，也是局部和全局的关系。
在迭代求T1, T2...的过程中，alpha值不断变大，也就意味着对树的简化越来越多，对训练集的拟合程度越来越差；而通过验证集从这一系列树中选择一颗，也就是通过验证集来选择对生成树的简化程度，而选择的同时也尽可能保证了简化后的树对训练集的拟合程度。
而后剪枝这种剪枝方法就比较暴力了，直接在生成树的基础上从底向上收，唯一的依据是生成树对验证集的预测准确度。这样的暴力剪枝虽然也减低了模型的复杂度，但没有考虑剪枝后的树对训练集的适应情况，对训练集的拟合程度下降的比较厉害。