CART决策树的生成就是递归地构建二叉树的过程。对回归树用平方误差最小化准则，对分类树用基尼指数最小化准则。
给定训练集 D = {(x1, y1), (x2, y2),...(xN, yN)} 考虑如何生成回归树。
一个回归树对应输入空间的一个划分以及在划分单元上的输出值。假如数据空间被划分为R1~Rm单元，每个单元有一个固定的输出值Cm。
CART回归树模型表达式：
这样可以计算模型输出值与真实值的误差：
希望每个单元上的Cm，可以使平方误差最小化，易知当Cm为相应单元上所有实际值的均值时，达到最优：
如何生成这些被划分的单元？
下面是一组数据：
选择变量x(j)为切分变量，它的取值s为切分点，那么得到两个区域：
当 j 和 s 固定时，我们要找到两个区域的代表值C1、C2使各自区间上的平方差最小，
已知满足平方误差最小的C1、C2为区间上的平均，
那么对固定的 j 只需要找到最优的 s，
然后通过遍历所有的变量，我们可以找到最优的 j，
这样我们就可以得到最优对（j，s），并得到两个区间。
上述过程表示的算法步骤：
即：
- 考虑数据集 D 上的所有特征 j，遍历每一个特征下所有可能的取值或者切分点 s，将数据集 D 划分成两部分 D1 和 D2。
- 分别计算上述两个子集的平方误差和，选择最小的平方误差对应的特征与分割点，生成两个子节点。
- 对上述两个子节点递归调用步骤1、2,直到满足停止条件。