逻辑树与线性回归的结合使用什么算法？
正在做一个预测产量的算法，能否有一种决策树它的叶子节点不是分类标签，而是一个个不同的线性回归函数。这样在输入投入物料时，根据投入物料的属性对应到逻辑树的节点上进行计算。 大家给我个搜索方向或者实现的路径想法就可以了。
你的意思是决策树的结果是 不同的线性回归函数，例如简单地不同斜率的直线，那么以上回答的思路似乎有问题。
首先这是一个分类问题，决策结果是“第k个回归函数“，然后再用 “第k个回归函数“ 计算得到具体的函数值。
这个问题取决于，所述不同的线性回归函数是不是已知确定的，还是也要同时进行学习的。如果线性回归函数已知，则本质上仍然是分类问题，做一个预处理把”第k类“的函数值与实际值之差作为分类模型的误差，就可以完成分类。
可以参考C4.5决策树算法。
最简单的策略是采用二分法对连续属性进行处理，例如将取值0到1之间的一个属性按照0~0.5, 0.5~1作为集合划分。具体的信息增益公式见原参考文献：
ID3 和C4.5算法 可以尝试下，预测产量的算法除了决策树也可以用集成学习的算法如xgboost和catboost ，lightGBM算法来预测
高端玩家
这种方法在本质上是有缺陷的。因为几个线性回归函数在超平面上可能会交叉，因此存在某些样本是不可分的。虽然在算法上可以实现，但除非数据样本很好地适应多个线性回归函数，也就是说数据样本的特征明显地可以归类为几条不同直线，才能在工程上获得较好的结果。