| English | 中文 |
科学选择见决策树方法。
选择有界树模型并声明复杂度控制参数。准备、验证集选型和最终评估由公共流水线承担。
R 使用 regr.rpart，示例参数为 cp、maxdepth、minsplit、minbucket；Python 使用 decision_tree，参数为 max_depth、min_samples_leaf。概念相近的参数不保证两种实现产生相同树。
先准备对应语言环境和共同审核流程；Python 另见依赖及任务契约。以下命令从仓库根运行。
python -m runtime.cli run-tool ml_regression_workflow --params-file config/examples/run-tool/ml-model-r-decision-tree.json --dry-run
python -m runtime.cli run-tool ml_regression_workflow --params-file config/examples/run-tool/ml-model-r-decision-tree.json --timeout 180
python -m runtime.cli run-tool ml_python_regression_workflow --params-file config/examples/run-tool/ml-model-python-decision-tree.json --dry-run
python -m runtime.cli run-tool ml_python_regression_workflow --params-file config/examples/run-tool/ml-model-python-decision-tree.json --timeout 180
示例只用于获授权的固定合成回放。Python 示例不计算贡献；R 树/森林示例保留当前 R 契约要求的置换方法。除仅基线任务外，候选仍与均值基线比较，最终选择基线也属于正常结果。预检不读取数据行或证明依赖可用；实际执行按三根目录及结果范围规则保存新产物。真实数据不能直接沿用技术回放设置。
从 artifacts.json 查找候选、指标、预测、预处理和重载检查。核对实际样本数、候选学习器及参数，独立重算留出指标；不能仅凭退出码或模型文件存在验收。此目录未复制训练代码，也未新增工具 ID。返回模型分类。