决策树学习的目的是为了产生一颗泛化能力强，即处理未见示例能力强的决策树。（)

决策树中，先剪枝和后剪枝都可以降低过拟合风险，使决策树的泛化性能提升（）

一般的，一颗决策树包含一个根节点、若干个内部节点和若干个叶节点。（)

相比CART和C4.5决策树，随机森林模型不能直接给出决策树的决策规则，即无法给出模型的显性表达式（）

人的学习、适应和应付突发事件的能力强（)

随机森林是Bagging的一个扩展变体，在以决策树为基学习器构建Bagging集成的基础上，进一步在决策树的训练过程中引入了随机属性选择。（)

GART决策树是分类效果最好的决策树，因此实际中应用特别广泛（）

通常决策树之间相关系数越高，每棵决策树分类精度越高，决策树数量越多，随机森林模型的分类效果越好。（）

随机森林可以直接给出决策树的决策规则，即给出模型的显性表达式。（）

决策树既可以处理离散型变量也可以处理连续型变量，且对缺失值、异常值、共线性都不敏感，因此不需要对原始数据进行预处理就可以应用决策树进行分析（）

决策树绘图加分（）