决策树模型有什么特点以及如何防止过拟合？

决策树模型有以下几个特点。

1. 训练过程比较简单，也就是在实际使用中比较好实现。
2. 在对一个新的样本进行预测时，时间复杂度是 O(k)，这个k是树的深度，也就是树有多少层。因此决策树的预测过程的非常快速而简单。
3. 决策树在训练过程中也能算出每个特征（feature）的重要程度。
4. 想比于其它分类算法，比如SVM和逻辑回归，决策树更能简单地应用到多元分类的问题上。
5. 如不加限制，决策树模型很容易出现过拟合(overfitting)。

针对决策树模型容易过拟合的特点，目前常见的有以下几个性质来进行控制。

1. 树的深度，也就是树有多少层。
2. 一个节点能被继续拆分出子节点所需要的包含最少的样本个数。
3. 最底层节点所需要包含的最少样本个数。

以上三个决策树都相当于它的超参数(hyper-parameter), 也就是我们在训练过程中需要去调整的。但是如果采用随机森林模型，它能够已集成(ensemble) 的方法解决过拟合的问题，因此可以作为实际应用的决策树的很好的替代算法。

决策树可以通过剪枝来避免过拟合。

或者也可以随机生成很多决策树（也就是TreeBagging或者随机森林），这样也能防止过拟合。（随机森林会发生过拟合吗？）