1.预剪枝的目的：提升决策树的泛化性能
2.预剪枝的做法：
将数据划分为训练集和验证集
在划分每个节点之前进行评估，若当前节点的划分不能提升泛化性能，则停止划分，并将其标记为叶节点；
若当前节点的划分能够提升泛化性能（从信息增益 or 其他方式 选择最优属性），则继续划分；
3.如何判断泛化性能是否提升：
用留出法（机器学习-性能评估方法，2.2）划分验证集|训练集 进行验证：
当前节点不划分：计算当前验证集精度
当前节点划分 ：计算划分后验证集精度
若 划分前>=划分后，则选择不划分。
4.预剪枝的缺陷
预剪枝采用贪心的策略，禁止了某些策略的展开，探索的范围变小了，带来欠拟合的风险
5.预剪枝的优点
采用贪心的策略，减少训练和测试时间的开销，降低过拟合风险
参考书籍：机器学习 --- 周志华