我将CART独立于其他经典决策树算法的原因是CART相对来说较为复杂。因为它不仅仅可以作为分类树，还可以作为回归树。
CART分类树算法
对于对于CART分类树，这就和我们之前所说的《经典决策树算法》中的ID3与C4.5非常类似,但是与他们不同的是，我们在CART中并不采用信息增益或者是信息增益比来作为决策条件，而是采用了一种叫做基尼指数的衡量标准。这里我们不得不提到一个新的衡量特征好坏的方式：基尼指数。
基尼指数
基尼指数公式表达的是任取两个样本，这两个样本不相同的概率。宏观表达的是描述一个集合的混乱程度。基尼指数越大，表示这个样本集合D越混乱。这和熵的作用有些类似，但这仅仅是一个指数，能够判断大小，但不能像熵一样线性的量化集合中的混乱程度。 我们也很容易发现，基尼指数是一个(0，1)的数。 我们还有一个特征条件下的集合基尼指数定义：
CART分类生成算法
算法停止与节点样本个数小于阈值，或者是基尼指数小于阈值（样本基本属于同一类），或者没有更多特征。 CART分类树生成算法比较简单。就是将分配原则设定成了基尼指数。当然，我们还是最主要关注基尼指数的计算过程。我介绍个例子来辅助理解计算过程。
CART回归树算法
CART生成回归树的算法是用来根据已有数据生成一个回归树，具体算法如下：
这个算法比前面的那些算法要更加复杂一点，有很多公式。要想理解这个算法的作用，我们得先从感性上理解这个算法是做什么的。 我们考虑最简单的最小二乘回归，CART要求我们将所有输入数据都当作在二维的平面上若干个数据点。以x轴为划分依据（也就是最后的回归树的分界线是x的值，x大于或小于某个值会判断成什么）。
- 先自己认定一组切分点（一般认为是两个点x值的中点）。然后计算这一组切分点中每一个切分点对应的均方误差，找到均方误差最小的那个切分点作为一个节点。
- 这个切分点已经将整个空间划为两块(我们只考虑最简单的二维，所以一个点代表一条垂直于x轴的线)，我们分别对这两块继续计算均方误差，找到下一个节点；
- 知道总的均方误差达到要求为止。
放个例子辅助理解：
参考文献：
李航《统计学习方法》 周志华《机器学习》
