回归树，尤其是梯度提升（本质上是许多树），往往在连续预测方面做得很好，通常优于线性回归等真正连续的模型。当存在可变交互并且当您拥有足够大的数据集（超过 10,000 条记录）以降低过度拟合的可能性时，尤其如此。如果您的主要目标只是预测能力，那么模型是 100% 连续还是伪连续应该无关紧要。如果使您的回归树更加连续会增强样本预测能力，那么您可以简单地增加树深度或添加更多树。

在经典回归树中，叶子中有一个值，但在叶子中可以有一个线性回归模型，请检查这张票。

您还可以使用树的集合（随机森林或梯度提升机）来获得连续的输出值。

如果您稍微扩展问题以包括一般梯度提升技术（与提升回归树的特殊情况相反），那么答案是肯定的。梯度提升已成功地用作变量选择的替代方法。一个很好的例子是mboost 包。关键是用于提升的基学习器类由连续模型组成。本教程描述了典型的基础学习器类，如下所示：

常用的基础学习模型可以分为三个不同的类别：线性模型、平滑模型和决策树。还有许多其他模型，例如马尔可夫随机场 (Dietterich et al., 2004) 或小波 (Viola and Jones, 2001)，但它们的应用出现在相对具体的实际任务中。

请注意，它特别提到了小波。树和小波之前已经成功地组合成基于树的小波。