在数据挖掘场景下，决策树算法是如何用于分类任务的，请说明其基本原理与主要步骤。

回答思路

1. 【回答框架 1】决策树是一种基于树结构的监督学习算法，通过递归划分特征空间实现分类。核心是选择最优特征进行分裂，使子节点数据尽可能属于同一类别，衡量指标有信息增益、增益率和基尼指数。
2. 【回答框架 2】构建过程包括特征选择、决策树生成和剪枝。特征选择决定分裂顺序；生成时从根节点开始递归，直至满足停止条件（如样本数过少或纯度足够）；剪枝用于防止过拟合，分为预剪枝和后剪枝。
3. 【回答框架 3】分类时从根节点开始，根据样本的特征值沿路径向下，直至到达叶节点，叶节点对应的多数类别即为预测结果。决策树可处理数值型和类别型特征，且可解释性好。
4. 【回答框架 4】常见算法包括ID3（基于信息增益）、C4.5（基于增益率）和CART（基于基尼指数），不同算法在特征选择和处理连续值上有差异。
5. 【关键点 1】决策树通过递归划分特征空间实现分类。
6. 【关键点 2】特征选择依据信息增益、增益率或基尼指数。
7. 【关键点 3】剪枝是防止过拟合的关键步骤。
8. 【关键点 4】预测过程是从根节点到叶节点的路径匹配。
9. 【易错点 1】信息增益偏向取值多的特征，可用增益率或基尼指数缓解。
10. 【易错点 2】不剪枝容易过拟合，但剪枝过度可能导致欠拟合。
11. 【易错点 3】决策树对噪声敏感，样本量小时可能不稳定。