是的，经典的决策树算法——例如，CART（在 中实现rpart）或 C4.5——偏向于具有许多可能分裂的变量。原因是他们对所有可能变量中的所有可能拆分进行了详尽的搜索，而没有考虑在搜索更多拆分时通过“机会”找到更大的改进。这是由 Loh 及其同事开创的基于统计推断的各种决策树算法解决的：

• Loh WY, Shih YS (1997)。“分类树的拆分选择方法”。中央统计局，7，815-840。
• 罗怀 (2002)。“具有无偏变量选择和交互检测的回归树。” 统计，12，361-386。
• Hothorn T、Hornik K、Zeileis A（2006 年）。“无偏递归分区：条件推理框架。” 计算和图形统计杂志，15 (3), 651-674。

在 R 中，partykit包（包的继承者party）实现了几个无偏决策树算法。具体来说，ctree()（Hothorn et al. 2006）应该很容易为您尝试作为rpart.

话虽如此：当然，即使使用无偏决策树算法，也有可能没有分类变量出现在树中，因为它们不相关（或者在调整连续变量后不相关，如@gung 建议的那样） .