是的。因为决策树按线划分项目，所以点与线的距离没有区别。

最有可能的异常值的影响可以忽略不计，因为节点是根据每个分割区域中的样本比例（而不是它们的绝对值）确定的。

但是，存在选择连续变量分割点的不同实现方式。有些人考虑所有可能的分裂点，有些人考虑百分位数。但是，在一些选择不当的情况下（例如，在等距分割点中划分最小值和最大值之间的范围），异常值可能会导致次优分割点。但是你不应该在流行的实现中遇到这些场景。

它实际上取决于拆分树节点的标准。如果标准对异常值敏感（例如，如果在回归问题中使用方差），则可能会导致问题。

但总的来说，它们非常强大。

是的，所有树算法都对异常值具有鲁棒性。树算法基于相同的值拆分数据点，因此异常值的值不会对拆分产生太大影响。

例如：想要根据客户的房屋大小来确定他们的购买行为。房屋大小是数字连续变量，范围为 1-1000 平方英尺。

所以，现在考虑我的大多数客户的房屋大小在 100-500 之间。如果我有一些房屋大小为 1000 的客户，那么它所做的只是根据某个值拆分数据，其中下一个级别的熵小于当前级别的熵。

拆分决定了房屋大小的价值，这样我将获得更多同质的客户群。