先给结论：单棵决策树不擅长加性结构。两段加法各自只要很少分裂，合成一棵树却要把第二段在第一段每个叶子里复制一遍。叶子数下界是各段叶子数的乘积。树一深，更容易切到噪声特征，叶里样本更少、方差更大。贪心树求和同时长不定棵树，每步只选一个分裂：可加在已有树上，也可新开残差树桩。总分裂数卡住，模型仍能手算。

为什么「再把树加深一点」补不上加性缺口

痛点是归纳偏置。随机森林和提升把多棵树加起来，但前者各树独立、后者顺序拟合残差，都不会在同一步里让多棵树抢同一个分裂。规则拟合是先抽出一批分裂再线性组合，深度预先定死，该要的高阶交互不一定在池子里。树求和每步用残差（标签减当前所有树的预测）当杂质下降的目标，在所有叶和新树桩候选里挑下降最大的那一个。新叶值是该叶残差均值加到父节点上；新树桩根值记零。预测时样本掉进每棵树的叶，把叶值加起来。

停止条件按总分裂数，用交叉验证加「还要能给人看」的领域约束；也可以改成杂质下降阈值。最坏时间大约是特征数乘分裂数平方乘样本平方，比单棵树多一个分裂数因子，可解释模型分裂本来就少，差距可接受。分类用基尼、回归用均方，和单棵贪心树一样。过拟合同样存在：分裂太多就装袋——每棵树求和模型装在自助样本上，每步只从随机特征子集里选分裂，棵数大约一百。无分裂上限时，装袋版能和随机森林、提升树打平，有的表上更好。

五步把可解释树从「一棵到底」改成「能加就加」

1. 先卡总分裂数再谈准确率。分裂数当可解释预算，和规则条数对齐。预算内树求和常常赢单棵树、规则拟合和树桩提升；样本多时优势更大。
2. 异构人群不要简单拆开训。医疗里按年龄切两套会丢样本。组加权：先估组员概率，再当样本权重在全数据上拟合，每组得到自己的树求和，但仍借用别组。敏感度卡在百分之九十几时，特异度能比单棵树高一截，组加权再比不加权高一点。
3. 看树是不是拆开了临床轴。好的求和会让每棵树对应一块可命名的领域（症状、致伤方式、合并伤），而不是一棵深树把轴缠在一起。拆开要同时满足预测好和领域知识对得上，不能只因为好看。
4. 理论预期写进选型。若回归函数是分块可加、块之间独立且光滑，oracle 树求和的平方误差上界跟最大块维数走，比单棵树的下界更快。大样本极限下，每棵拟合树切到的特征落在对应块里，这叫拆开。现实数据没有神谕，拆开是启发式，要用稳定性和领域对照来撑。
5. 稳定性和装袋分开用。高风险场景先做标签扰动，看选中的特征集合还像不像。要冲排行榜再上装袋。可解释部署把分裂卡死，不要把一百棵求和模型交给急诊医生手算。

现场有三条。其一，玩具加法已经强迫单棵树复制；真实生物里阈值交互很常见，复制会同时伤偏差和方差。其二，急诊决策表要高敏感、少规则。特异度是在敏感度门槛上比的，不是普通准确率。特征要和领域知识对得上，例如不会说话的幼儿更该用可观察体征而不是主诉。其三，交叉验证会偏向更大模型。分裂阈值可以叠信息准则或稳定性，而不是只看验证分。

可解释不是「用了树」就成立，是总分裂数少到能手算、每棵树的轴能命名。求和是为了不再为加法付复制税。现场还要记一笔：提升深度二的树在少分裂预算里往往不如单棵贪心树，更不如树求和——预算很紧时，同步抢分裂比顺序加浅树更值。全局最优树算得动的数据通常太小，这里讨论的表都超出那一档。

若只能改表格模型一处：把默认单棵树换成总分裂数受限的树求和。加性结构一出现，复制子树就是在浪费预算。

结论：加法要用树的和，不要用一棵更深的树

单棵树拟合加法会复制子树。同步贪心求和按残差抢分裂，总分裂数卡住仍能手算。组加权能在异构人群里借样本。仍把树加深当唯一手段，是在用乘积叶子数覆盖本该相加的结构。

你下次交决策树，先数总分裂、有几棵、有没有在叶子里复制同一段规则。复制还在，模型就还没拆开加法。

本文侧重全链路风控方法论。落地时请用自身业务单据做回放验证，不要把示例阈值直接当生产策略。 相关：风控体检 · 方案资源