3. CART树：既可做分类也可做回归，分类时用基尼值作为划分依据，回归时用平方损失（类似最小二乘法）衡量误差。
​4. 回归决策树的深度影响：树的深度越小，模型越简单，易欠拟合；深度越大，模型越复杂，易过拟合。

结果分析
4.线性回归：拟合出一条直线，对数据的整体趋势做线性逼近。
​5. 回归树（depth=1）：模型最简单，拟合效果差，呈现为单一分段的水平线，属于欠拟合。
​6. 回归树（depth=3）：模型复杂度提升，拟合曲线更贴近训练集的散点，能捕捉数据的非线性特征，但深度继续增加可能出现过拟合。