决策树的后剪枝算法，挺实用的一招，尤其是你在模型训练后精度高、但上线后却效果一般的时候。简单说，后剪枝就是先把树长大，再砍掉一些没啥用的分支，防止模型学得太细，过拟合。

剪枝策略里，像规则精度这种方式，逻辑比较直接，就是看看剪了之后对结果影响大不大。没太大影响的就删掉，干脆利落。推荐你看看《基于规则精度的决策树剪枝策略》，思路蛮清晰。

如果你还在用 ID3、C4.5 或 C5.0 算法，嗯，这些算法的剪枝方式也略有不同。比如C5.0自带的后剪枝策略就还不错，细节上有不少优化，可以参考这篇实战教程。

另外，用 MATLAB 搭建实验环境也挺方便的，推荐入门的话看看《决策树算法 Matlab 入门示例》，代码简洁，响应也快，新手也能快速跑通。

如果你打算把剪枝逻辑跑在大数据框架上，像MapReduce这种，就得关注下性能和分布式支持了。可以看看这篇 MapReduce 的决策树研究，讲得比较实在。

，后剪枝算法虽然听着有点老派，但在不少真实业务里还是蛮好用的。是数据特征杂的时候，剪得好，泛化能力一下就提上来了。如果你最近在调模型，不妨实测下剪枝前后的差别。