我通过例子学得很好，所以也许这会有所帮助：

假设您是考虑下一个广告活动的度假村。您将发送 1,000 张优惠券，在度假村提供两天免费住宿，希望客户决定将其延长至整整一周（谁想要两天假期？！）。

你有一个相当广泛的客户数据数据库，包括他们来自哪里、收入范围、逗留时间和每次逗留花费的钱、孩子数量、婚姻状况和就业状况（工作、失业、退休）。您想创建一个决策树来帮助选择将代金券发送给的客户（特别是那些每天花费至少 200 美元并至少停留一周的客户。

要创建树，计算机将执行以下步骤：

1. 从上面的客户数据列表中，找到最能将客户分为两组的属性。
2. 使用其余属性对上述每个组重复步骤一。
3. 最后，您将拥有一棵树，在该树的每个点上，您都可以做出两个决定之一。遵循路径导致决策。将选择分割点以最大化正确分类的概率。

决策树是使用分支方法来说明决策的每个可能结果的图。这里每个内部节点代表一个属性的“测试”（例如，抛硬币是正面还是反面），每个分支代表测试的结果，每个叶节点代表一个类标签（在计算所有属性后做出的决定）。从根到叶的路径代表分类规则。这可以表示为图表。现在您可以根据条件规则解析可能的节点和边（如果条件 1 和条件 2 和条件 3 则结果。）

维基百科链接本身有一些很好的例子：https ://en.wikipedia.org/wiki/Decision_tree

还要检查这些链接：

http://blog.echen.me/2011/03/14/laymans-introduction-to-random-forests/

http://whatis.techtarget.com/definition/decision-tree

我必须为回归树做类似的事情。我想出了一个非常简单的完整示例；我在黑板上写下了因变量和自变量表。最棘手的部分是解释第一次拆分是如何发生的（它最小化子样本中因变量的 MSE），能够指向表格会有所帮助。之后我们只为一个子问题做同样的事情。