剪枝：對已構建好的決策樹進行剪枝操作，去除一些不必要的節點和葉子節點，使決策樹更簡潔、更易解釋。
限制樹的深度：限制決策樹的最大深度，避免樹生長過深，減少過擬合的可能性。
增加樣本量：增加訓練數據集的樣本量，可以提高模型的泛化能力，減少過擬合的風險。
使用交叉驗證：通過交叉驗證的方法來評估決策樹模型的性能，可以更準確地判斷模型是否過擬合。
使用集成學習方法：如隨機森林、梯度提升樹等集成學習方法，可以降低單個決策樹過擬合的風險。
使用正則化技術：通過在決策樹的構建過程中引入正則化項，可以控制模型的復雜度，避免過擬合。
調節超參數：調節決策樹模型的超參數，如最小樣本拆分、葉子節點最小樣本數等，可以有效地減少過擬合的可能性。
