在数据分析场景下，请说明决策树与随机森林分别如何用于分类任务和回归任务，并比较两者的适用情况。

回答思路

1. 【回答框架 1】决策树通过递归划分特征空间，每个叶节点对应一个预测结果；分类时叶节点输出类别（常用基尼指数或信息增益选择划分），回归时叶节点输出该区域目标均值（常用均方误差最小化选择划分）。
2. 【回答框架 2】随机森林是集成学习方法，通过自助采样生成多棵决策树，每棵树在随机特征子集上训练；分类时多数投票，回归时取平均，从而降低单棵树的方差，减少过拟合。
3. 【回答框架 3】分类任务中，决策树易过拟合且对噪声敏感，随机森林通过集成和特征随机性提升泛化能力；回归任务中，随机森林能捕捉非线性关系，但预测值不会超出训练目标范围，且对极端值敏感。
4. 【回答框架 4】适用场景上，决策树适合需要可解释性、数据量小或特征少的情况；随机森林适合数据量大、特征多、对精度要求高且可接受一定黑盒性的场景。
5. 【回答框架 5】实际使用时需注意：随机森林的树数量和最大深度需调参，特征重要性可辅助特征选择，但类别不平衡时需结合采样或权重策略。
6. 【关键点 1】决策树分类用基尼指数或信息增益，回归用均方误差最小化。
7. 【关键点 2】随机森林通过自助采样和随机特征子集降低方差，分类投票、回归平均。
8. 【关键点 3】随机森林通常比单棵决策树泛化能力更强，但可解释性下降。
9. 【关键点 4】回归时随机森林预测值受训练目标范围限制，对极端值敏感。
10. 【关键点 5】决策树适合小数据和高解释性需求，随机森林适合大数据和高精度需求。
11. 【易错点 1】不能认为随机森林一定优于决策树，在小样本或强线性关系下决策树可能更合适。
12. 【易错点 2】随机森林回归不能外推超出训练目标范围的值。
13. 【易错点 3】忽略调参直接使用默认参数可能导致性能不佳，需结合交叉验证。