树回归是一种基于树结构的回归分析方法，它可以用于拟合因变量和自变量之间的关系。树回归模型主要包括以下两种类型：

1. 决策树回归（Decision Tree Regression）：决策树回归是一种基于决策树的回归算法，它通过递归地划分数据集来构建树结构，并使用叶子节点表示回归系数。决策树回归具有良好的可解释性，但可能过拟合。
2. 随机森林回归（Random Forest Regression）：随机森林回归是一种基于随机森林的回归算法，它通过随机选取特征和样本子集，并构建多个决策树来提高预测性能。随机森林回归具有较高的预测准确性，且不易过拟合。
   在 Python 中，可以使用 scikit-learn 库实现树回归算法。以下是一个简单的决策树回归示例：
   “`python

导入所需库

from sklearn.datasets import load_boston
from sklearn.tree import DecisionTreeRegressor
from sklearn.model_selection import train_test_split
from sklearn.metrics import mean_squared_error

加载数据集

boston = load_boston()

划分训练集和测试集

X_train, X_test, y_train, y_test = train_test_split(boston.data, boston.target, test_size=0.3, random_state=42)

创建决策树回归模型

dt_regressor = DecisionTreeRegressor(random_state=42)

训练模型

dt_regressor.fit(X_train, y_train)

预测

y_pred = dt_regressor.predict(X_test)

评估模型

mse = mean_squared_error(y_test, y_pred)
print(“Mean Squared Error:”, mse)
“`

在这个示例中，我们使用了波士顿房价数据集，并将其划分为训练集和测试集。然后，创建一个决策树回归模型并训练它。最后，使用测试集进行预测并评估模型性能。
树回归算法在处理具有非线性关系的问题时可能表现不佳。在这种情况下，可以考虑使用其他回归方法，如支持向量机（SVM）、神经网络（Neural Networks）等。