当你看到「这个网站评分 73 分」时，可能不知道背后的逻辑：它可能只是几个「如果-那么」规则。在 AI 模型动辄上亿参数的今天，这种简单技术仍在关键领域默默工作——比深度学习快 100 倍，却能给出清晰解释。在Hacker News 讨论中，开发者们分享了决策树在 25 年前 OCR 系统中的应用，以及它在现代 AI 中的新角色。

从医生诊断到网站评分：决策树的日常应用

决策树是机器学习中最古老的算法之一，它通过树状结构进行决策。每个节点根据特征值做判断，分支到子节点，直到叶子节点输出结果。比如医生诊断感冒：如果体温 > 38℃ 且咳嗽，可能流感；否则可能普通感冒。这种「如果-那么」规则链，就是决策树的雏形。

在《Decision Trees》的交互式教程中，作者用苹果、樱桃和橡树的例子展示决策树如何工作：根据树干直径和高度分类。网站评分系统也类似：检查是否有机动描述、加载时间是否 < 3 秒、是否移动端适配，每个检查对应分数，树状结构汇总成最终评分。用户能立刻明白为什么得 73 分——因为「加载时间超时扣了 10 分」，而不是一堆黑盒参数。

速度与解释性：决策树的杀手锏

决策树最大的优势是速度和可解释性。有人在讨论中提到，神经网络虽然精度稍高但推理慢 100 倍，「在低延迟场景，比如实时广告投放或边缘设备，决策树仍是首选」。可解释性让决策树在监管严格的领域不可替代。比如网站分析系统，用户看到「因为移动适配不合格扣了 15 分」，立刻知道如何改进。但深度过深后，比如 15 层决策树，就变得无法解释，和神经网络一样「黑盒」。正如一位开发者吐槽：「深度超过几层就变成无法解释的丛林。」

线性+树：一个被低估的实用技巧

决策树有个弱点：处理线性关系时效率低。比如用树状结构拟合直线，需要大量节点阶梯式逼近。有用户提出一个简单有效的技巧：先用线性分类器处理全局特征，再用决策树优化局部模式。具体方法是「把线性分类器的输出作为新特征，再训练决策树」。这个方法被评价为「简单有效」，适合小团队。它结合了线性模型的全局拟合能力和决策树的局部优化能力，无需复杂代码。任何基础 ML 库都支持线性分类器和决策树，一两个人就能快速实现。在特征工程中，这种组合能解决单一模型的短板，比盲目堆砌神经网络更务实。

25 年前的 OCR 革命，今天仍在运行

25 年前，一位开发者用决策树开发了「世界最好的 OCR 识别器」。当时 CPU 弱、图像分辨率低，决策树是「秘密武器」。他用 3 棵决策树组成随机森林，配合简单特征（如像素组合），在资源受限的场景下达到高精度。该技术在 90 年代末开发，一直用到 2007 年。如今手写 OCR 仍是挑战，深度学习也没完全解决。一位用户感叹：「至今找不到能很好识别历史手写体的大规模神经网络。」决策树在特定场景的鲁棒性，让这种「过时」技术在老系统中持续运行——当新方法无法解决旧问题时，简单方案往往更可靠。

当 AI 专家们争论：决策树是否过时？

在 CERN 这样的物理研究机构，Boosted Decision Trees 曾是粒子分析的主流工具。但近年神经网络增多引发担忧：「物理学中使用参数丰富的黑盒模型」。一位物理学家直言：「实验物理学的核心准则是避免用假设欺骗自己。」但决策树并未过时。一位开发者说：「在深度学习时代，决策树被低估了——它们可解释、快速，且足够好。」有人吐槽文章标题「unreasonable power」是「7 x (number 6 will surprise you)」的点击率套路，但技术本身的价值无需夸张：当需要快速决策且解释清楚时，它仍是工程师的首选。

在 AI 的狂热中，决策树像老式机械表——不是最炫酷的，但可靠、精准、无需充电。当需要快速决策且解释清楚时，它仍是工程师的首选。