决策树在模型构建过程中具有隐含的特征选择。也就是说，当它在构建树时，它只通过拆分导致节点纯度最大增加的特征来实现，因此特征选择方法将消除的特征无论如何都不会在模型中使用。

这与随机森林不同，其中每个拆分仅在特征子集上选择，因此可能仅从“坏”特征中选择给定的拆分。通过执行特征选择，您可以消除这种可能性并提高森林中的性能

我将 CART 理解为分类和回归树，就像决策树一样。决策树是贪婪的和确定性的。

随机森林是决策树的集合，因此您将使用随机树集合来选择特征。

我猜，您的问题并没有真正描述这种情况，因为决策树没有被修剪并使用所有数据，它提供了一个很好的解决方案，因此无需处理过度拟合或修剪它们通常在火车上比随机森林，因为它们很容易过拟合。

取出特征只会给树提供更少的信息，从而降低功率。

这是否意味着 CART 需要大量的特征才能产生一个好的模型？

决策树在少数特征方面表现良好，但不相关。

只是为了检查一下，您是否在测试集中进行了评估？