名词解释 / 07
决策树
英文名称：Decision Tree 常见别名：判定树、分类树（用于分类时） 所属分类：进一步了解 AI 原理
一句话解释
决策树是一种让 AI 自动做判断的模型。它先拿一批已经知道结果的历史案例，拆成一连串“先问一个问题、再看回答往哪走”的步骤——比如先问温度是不是过高，是的话再问振动是不是偏大，一路走下去，最后落到“故障风险高”还是“故障风险低”。整张图像一棵倒长的树，每一步判断都是能读懂的“如果……那么……”，所以它不像有些 AI 那样只给结论、说不清理由，而是把判断依据摊开给你看。
工作中什么时候会遇到
你多半不会直接对着“决策树”这个名字工作，而是在系统里遇到它的产物。设备平台提醒你“某台设备下周故障风险偏高”，客服系统自动把工单分成投诉、咨询、售后，销售系统给线索打上“高意向／低意向”的标签，来料质检自动判定一批货是合格还是需要复核——这些“自动判断、还带一句理由”的功能，背后的判断规则常常就是一棵决策树。
另一种情况更直接。在 WorkBuddy、千问办公这类办公工具里，你可以让 AI 智能体把一类反复出现的判断（“什么情况要特批”“这个单子该先转给谁”）整理成一棵决策树，把散在几个人脑子里的经验变成一张统一、可对照的判断图。具体能做到什么程度，以当前版本和官方说明为准。
能解决什么问题
- 给对象分类：判定一个工单属于哪类、一个客户属于哪个等级、一批物料是否合格。
- 预测还没发生的结果：设备未来一周是否容易出故障、客户是否可能流失、一笔应收款是否容易逾期。
- 让 AI 的结论有依据可查：每条判断背后是一串“如果……那么……”，方便向主管解释，也方便事后复核。
- 指出哪个因素最关键：面对一堆数据，它能告诉你哪几个条件对结果影响最大，提示平时该重点盯什么指标。
- 把个人经验变成稳定流程：同类判断不再依赖某个人的感觉，新人照着树的规则也能上手。
举个例子
一家工厂的设备以前按固定周期保养，成本不低，机器还是可能在保养前突然停机。设备团队把历史记录整理出来：每台设备运行时的温度、振动大小、距上次保养过了多久、连续运行时长，并标注这台设备之后一周是否真的出过故障。
AI 用这些带结果的记录训练出一棵决策树。训练完成后，树自动变成几条人能看懂的规则，例如：温度持续超过 80 度、振动明显偏高、且超过 3 个月没保养 → 判定“未来一周故障风险高”，建议提前安排检修。设备主管拿到规则后逐条对照自己的经验，把不合理的分支挑出来让数据同事调整；确认没问题后，才把预警接到保养排程里。整条链路里，树只负责给建议，是否停线检修始终由人拍板。
怎么使用
普通员工一般不用自己训练决策树，更多是两种用法。一是结果端：设备、质检、销售或客服系统里，AI 给出结论时旁边附几行条件，说明“为什么这么判”，你只需要判断这套依据合不合理。二是问答端：在 WorkBuddy、千问办公这类工具里，让 AI 智能体把一类反复出现的判断整理成决策树，把经验固化成统一流程，具体能力以当前版本和官方说明为准。
真正让一棵树从历史数据里长出来，通常由数据分析或 IT 人员完成：先收集一批已经知道结果的记录（专业上叫有标注的数据），一部分用来学习、一部分用来检验，训练后核对准确率，再部署进业务系统。普通员工在这个环节里的重要角色，是提供业务规则、指出树的哪个分支不符合实际、持续反馈 AI 的误判——这些信息会回到数据里，帮助模型越改越贴近现场。
使用时要注意什么
决策树从数据里学到的规律是“统计相关”，不等于因果关系。数据显示“温度高的设备故障多”，未必是温度直接导致故障，可能只是高温伴随高负荷，真正原因是负荷。另外，单棵决策树对数据的小变化比较敏感，也容易把历史细节记得过死（专业叫过拟合），所以关键系统里常改用随机森林——很多棵树一起投票，更稳更准，代价是不如单棵树那么容易直接读出规则。
模型的能力上限取决于历史数据的质量：记录有缺漏、统计口径变过、业务规则已经调整，树的结论都会跟着偏。AI 生成的决策树适合处理重复、规则清晰的判断，但停线、放款、处理人员这类高影响决定，仍要保留人工复核，别把“AI 判了”当成“可以放心执行了”。
容易混淆的词
- 思维导图：整理和记忆想法的笔记工具，结构由你自己理出来，不负责判断对错；决策树的结构来自历史数据或明确条件，目的是给新情况下的结论。
- 流程图：里面的判断步骤是人事先写死的，人照着走；决策树的规则可以来自 AI 从历史记录里自动学习，规则由数据决定，人会事后校验，这是两者根本区别。
- 随机森林：把很多棵决策树的结果放一起投票。它通常比单棵决策树更稳更准，但“为什么这么判”不容易直接读出来；两者同族但不是一回事。
- 管理学里的决策树分析：企业管理中用来比较几个方案的投入产出、估算期望收益的分析工具，只是名字相同，不是 AI 模型。