专题讨论2：树与查找

专题讨论2：（树与查找）决策树

项目名称	内容
课程名称	数据结构
班级	网安2511
学号	202521336001 、202521336006
实验项目名称	10：决策树
上机实践日期	2026.05

---

一、关于选题起源

某天，我盯着自己的歌单陷入了沉思：
为什么我收藏了那么多“高级感”十足的后摇，
最后循环最多的，却永远是那几首神曲？
为了直面这种惨淡的人生真相，
我们决定请出数据结构里的“福尔摩斯”——决策树。
这位侦探先生破案的方式非常耿直，
既不看歌词，也不分析旋律，
只负责问你一堆看似废话的问题：
“你是不是那种听到吉他solo就兴奋的人？”
“你是不是非英文歌不听的‘伪文青’？”
每一个“是”或“否”，都会把你引向一条新的岔路，
直到最后，它拍拍你的肩膀，淡淡地说一句：
“别装了，你就是个标准的 Pop 流行乐受害者。”
本次实验的目标很简单：
搭建一棵属于我自己的音乐推荐决策树，
让算法代替镜子，照出我们那真实听歌习惯————

---

今天，就让我们用最简单的入门案例，带大家搞懂：决策树到底是什么？怎么建立决策树？
首先我们先厘清，决策树究竟是个什么东西？其实它本质上就是一种模拟人类决策过程的树形结构，就像我们平时做选择一样，一步步根据条件判断、分支，最终得到结果。它由根节点、分支节点和叶子节点组成，节点里存放判断特征，分支存放不同的判断结果，叶子节点就是最终的结论。
这篇博客将举一个简单的例子，通过这个简单的例子我们可以掌握决策树的内涵与实现方法，从而为未来大家去构建更复杂的决策树打下基础，也能真正理解树结构的实战价值。

二、实验设计

• 结构示意

“那么，这棵树是如何一步步‘审问’你的听歌偏好的？别急，看完下面这个简陋却精悍的结构示意，你就全明白了。”

是否喜欢摇滚？
├─ 是 → Rock
└─ 否 → 是否常听欧美？
        ├─ 是 → Pop
        └─ 否 → Classical

• 示例图
  

• 构建决策树

“光看上面的示意图不过瘾？来，让我们一起剖析这棵树的‘生长过程’，看看在代码世界里，它是怎么被一砖一瓦搭建起来的~”

函数 buildMusicTree()
    // 创建根节点
    根节点 = 新建节点()
    根节点.特征 = "LikeRock"  // 是否喜欢摇滚

    // 分支：喜欢摇滚 → 推荐 Rock
    摇滚节点 = 新建节点()
    摇滚节点.标签 = "Rock"
    根节点.子节点["Yes"] = 摇滚节点

    // 分支：不喜欢摇滚 → 进入下一个判断
    不喜欢摇滚节点 = 新建节点()
    不喜欢摇滚节点.特征 = "ListenWestern"  // 是否听欧美

    // 听欧美 → 推荐 Pop
    流行节点 = 新建节点()
    流行节点.标签 = "Pop"
    不喜欢摇滚节点.子节点["Yes"] = 流行节点

    // 不听欧美 → 推荐 Classical
    古典节点 = 新建节点()
    古典节点.标签 = "Classical"
    不喜欢摇滚节点.子节点["No"] = 古典节点

    根节点.子节点["No"] = 不喜欢摇滚节点

    返回 根节点

• 预测函数伪代码

函数 predict(节点, 样本):
    如果 节点.标签 不为空:
        返回 节点.标签

    特征值 ← 样本[节点.特征]
    子节点 ← 节点.子节点[特征值]

    返回 predict(子节点, 样本)

三、代码实现

• 数据结构定义（给树打个骨架！）
  要建房子先打地基，要建树，就得先定义“节点”这个基本单元。
  我们不用晦涩的术语，咱们就把它想象成一个个“带问号的盒子”：盒子里存着问题（比如“喜欢摇滚吗”），还有指向不同答案的指针。
  下面这个 struct Node，就是咱们这棵音乐决策树的“基因蓝图”————

#include <iostream>
#include <string>
#include <map>
using namespace std;

struct Node {
    string feature;        // 划分特征
    map<string, Node*> children;
    string label;          // 叶子节点类别
};

• 构建决策树（开始种树啦！）
  骨架有了，接下来就是往里面填肉了。​
  这一步，我们要亲手把这棵树“种”出来。
  我们写一个 buildMusicTree()函数，它就像个“树农”，负责把一个个节点挂到该挂的位置。
  你看，根节点是“喜欢摇滚吗”，不喜欢就去问“听欧美吗”，听着听着，最后就给你贴上“Pop”或“Classical”的标签。
  整个过程，就像在玩“文字版大富翁”，走到哪格，就触发哪个事件~

Node* buildMusicTree() {
    Node* root = new Node();
    root->feature = "LikeRock";

    Node* rock = new Node();
    rock->label = "Rock";
    root->children["Yes"] = rock;

    Node* noRock = new Node();
    noRock->feature = "ListenWestern";

    Node* pop = new Node();
    pop->label = "Pop";
    noRock->children["Yes"] = pop;

    Node* classical = new Node();
    classical->label = "Classical";
    noRock->children["No"] = classical;

    root->children["No"] = noRock;
    return root;
}

• 预测函数（递归思想）
  树种好了，现在轮到它发挥价值了—————怎么用它来“猜”用户的喜好？​
  这就是最精彩的部分：预测函数。
  它的逻辑其实特别简单，就是一个“递归”的过程：
  拿到用户的特征（比如“喜欢摇滚=Yes”），顺着树往下走一步；
  到了下一个节点，再看下一个问题……
  直到走到一个“叶子节点”（也就是没有孩子了），嘶~答案就出来了。

string predict(Node* root, map<string, string>& sample) {
    if (!root->label.empty())
        return root->label;

    string value = sample[root->feature];
    return predict(root->children[value], sample);
}

• 测试入口（让树开口说话~）
  逻辑都写完了，总得跑起来看看效果吧？​
  最后，咱们写个 main函数，模拟一个真实的用户来“问卦”。
  用户输入自己的听歌习惯（“喜欢摇滚吗？”“听欧美吗？”），程序就会顺着树一路“盘问”，最后输出一个“音乐人格诊断书”。
  这一步，就是让这棵静态的树，“活”过来，开始为你服务的时刻。

int main() {
    Node* tree = buildMusicTree();

    map<string, string> user;
    cout << "是否喜欢摇滚？(Yes/No): "; cin >> user["LikeRock"];
    cout << "是否常听欧美音乐？(Yes/No): "; cin >> user["ListenWestern"];

    cout << "预测喜欢的音乐类型："
        << predict(tree, user) << endl;

    return 0;
}

---

四、复杂度分析

1. 构建阶段：

• 本实验采用手动构建方式，需要依次创建每个节点并建立分支关系，操作次数与节点数量成正比。
  👉 时间复杂度：O(n)（n 为树中节点总数，本实验 n=5）

2. 预测阶段：

• 预测过程相当于在树上进行深度优先遍历
• 最坏情况下遍历树的高度 h
  👉 时间复杂度：O(h)​

3. 空间复杂度：

• 空间用于存储所有节点与分支，与节点数量成正比。
  👉 空间复杂度：O(n)

---

五、运行展示

本机运行截图

---

六、实验小结

收获：

1. 理解决策树是一种递归结构
2. 掌握决策树构建与预测的基本流程
3. 能够将现实问题（音乐喜好）抽象为特征与类别

为什么选用决策树做音乐喜好判断，而非简单的 if-else？
有人可能会忍不住问：这么简单的判断逻辑，直接用几行 if-else 嵌套不就能实现吗？何必大费周章去搭建一棵树结构？
自然，针对本次只有两层判断的极简案例，if-else 代码写起来确实更简短，可这也仅仅局限于超简单、无扩展的固定场景。一旦我们想要新增一个判断特征，比如加入 “是否喜欢慢节奏”“是否偏爱小众音乐”，if-else 就会陷入层层嵌套的困境，代码变得臃肿混乱、可读性极差，后期修改和维护更是难上加难，完全是硬编码的固定逻辑，没有任何灵活性。

对比优势：

维度	if-else	决策树
扩展性	新增条件需修改原有逻辑	只需新增节点，不动核心代码
可读性	多层嵌套难以一眼看清流程	树状结构直观对应人类决策过程
维护性	改一处可能牵一发而动全身	局部调整，互不干扰

这就是为什么我们宁愿"大费周章"建树————它把逻辑结构和代码实现解耦了。
我们选择用决策树，正是因为它脱离了单纯的代码逻辑，上升到了数据结构的层面。它把每一个判断、每一个分支都封装成独立的节点，新增判断条件、修改推荐结果，只需要增减或调整节点，完全不用改动原有核心代码；同时它的结构和我们的决策思路完全对应，哪怕是零基础的人，也能一眼看懂整个判断流程，更能帮我们真正理解 “树结构” 在实际问题中的应用，而不是停留在表层的条件判断。

这篇文章的初衷，从来不是为了用复杂代码实现简单功能，而是借这个极简的音乐偏好预测案例，让大家轻松入门：看懂决策树的基本结构，掌握它的搭建和使用逻辑，明白它相比硬编码的 if-else，在扩展性、可读性、可维护性上的核心优势。毕竟学会决策树的思想，才能应对后续更复杂、更多维度的决策问题，这才是学习数据结构的真正意义。

---

七、附件（参考文献和相关资料）

1. 决策树原理实例
2. 决策树入门实战例子

AI 声明：本文核心思路为原创，AI 做辅助文字润色与结构梳理。