可以举一个决策树中过拟合现象的案例吗？

首先通过人工的方式构造数据集，该数据集包含两类，第一类是蓝色的+号，利用高斯分布产生5000个点，并在5000个点的基础上添加400个噪音点。此外还有红色的o数据，通过均匀分布产生5400个点。而在得到训练数据后，抽取10%作为训练集，剩余的90%作为测试集，根据训练集可以构建很多种决策树模型，（下图）列出来决策树结点和Error的关系，我们可以发现，随着决策树上的结点增多，Error即分类的错误率越来越低。如图左边图形为简单结构模型，是具有4个结点的决策树模型，Error大概为0.1左右；右边为结点为50的复杂决策模型Error大约为0.9：

同时将两个模型的训练集和测试集的结点和Error的关系画出，如下图：

可以发现复杂模型刚开始的测试集和训练集与简单模型的变化类似，Error都是当结点数增加而降低，但之后训练集随着结点数的增加也同步增加了。这是因为复杂的模型很好的拟合了训练集，但训练集中有一部分数据可能代表了噪音和异常，当将噪音和异常都学习到分类模型中去时，就导致这个比较复杂的分类模型在测试集上的效果反而不好了。这就是过拟合现象。