在机器学习中，决策树算法的工作原理是什么？它具备哪些优势与局限性？

回答思路

1. 【回答框架 1】决策树通过递归划分特征空间，每次选择最佳特征进行分裂，使子节点数据纯度最高。常用指标有信息增益、信息增益比和基尼指数。
2. 【回答框架 2】优点包括可解释性强、无需特征缩放、能处理非线性关系、对缺失值有一定的容忍度。
3. 【回答框架 3】缺点包括容易过拟合、对数据波动敏感、可能产生偏差较大的树，可通过剪枝或集成学习缓解。
4. 【关键点 1】决策树是一种监督学习算法，用于分类和回归。
5. 【关键点 2】核心是特征选择与递归划分。
6. 【关键点 3】主要优点是可解释性强，缺点是易过拟合。
7. 【易错点 1】忽略过拟合风险，未进行剪枝。
8. 【易错点 2】混淆信息增益与基尼指数的适用场景。