使用新数据更新决策树

决策树最常接受所有可用数据的训练。也就是说，当您拥有新数据时，您将重新训练整个树。由于此过程非常快，因此通常不会出现问题。如果数据太大而无法容纳在内存中，则通常可以通过对训练集进行二次采样（行采样）来解决它，因为基于树的模型不需要那么多数据就可以得到良好的结果。

请注意，决策树非常适合过度拟合，因此您应该考虑使用随机森林或其他集成方法。使用装袋，可以在不同的数据子集上训练不同的树。

还存在用于决策树的增量和在线学习方法。CART，ID3和VFDT学习器是一些示例。