简而言之，是的，您可以使用决策树来解决这个问题。

然而，还有许多其他方法可以预测多类问题的结果。

如果您想使用决策树，一种方法是为每个类分配一个唯一的整数。第一类的所有示例都将被分配值 y=1，所有第二类的示例都将分配给值 y=2 等等。在此之后，您可以训练决策分类树。

这是我通过修改此hackernoon帖子（https://hackernoon.com/a-brief-look-at-sklearn-tree-decisiontreeclassifier-c2ee262eab9a）中的示例获得的Python快速实现

您可以看到我们在数据中有 0、1、2 和 3 类，并且算法训练能够完美地预测这些（请注意，这里有过度训练，但这是一个旁注）

from sklearn import tree
from sklearn.model_selection import train_test_split
import numpy as np

features = np.array([
    [29, 23, 72],
    [31, 25, 77],
    [31, 27, 82],
    [29, 29, 89],
    [31, 31, 72],
    [29, 33, 77],
]*10)

labels = np.array([
    [0], 
    [1], 
    [2], 
    [3],
    [2],
    [0],
]*10)

X_train, X_test, y_train, y_test = train_test_split(
    features,
    labels,
    test_size=0.3,
    random_state=42,
)

clf = tree.DecisionTreeClassifier()
clf.fit(X=X_train, y=y_train)
clf.feature_importances_ # [ 1.,  0.,  0.]
clf.score(X=X_test, y=y_test) # 1.0
clf.predict(X_test) # array([0, 0, 0, 3, 1, 0, 3, 0, 0, 3, 2, 2, 1, 3, 2, 0, 2, 0]) 

当然可以。树的二元性只存在于它提出的问题中。树的每个节点代表一个具有二进制答案的问题（除非它是一个终端节点 -> 一个代表一个“类”），例如：

是数字变量吗？$x_1 \geq \alpha_1$

是分类变量吗？$x_2 = male$

然后，树根据答案拆分观察结果。可以有许多终端节点通向不同的“类”，甚至可以有许多节点通向同一类。

注意：我把“类”这个词放在“”中，这样​​我就不必为回归树改写它了。

注意2：例如查找随机森林以克服树木的一些障碍。

可以直接调用sklearn的决策树来实现任务。

对于每个分裂节点，需要选择一个最佳属性和一个最佳分裂点（对于连续属性），然后分别计算左右子节点的杂质。可以基于基尼指数计算子杂质。