分类和回归 (C&R) 树节点是一种基于树的分类和预测方法。 与 C5.0 类似，此方法可使用递归分区将训练记录分割为具有相似输出字段值的段。 首先，“C&R 树”节点通过检查输入字段来查找最佳分割（以分割所引起的杂质指标下降情况进行测量）。 分割可定义两个子组，其中每个子组随后又被分割为两个子组，依此类推，直到触发其中一个中止条件为止。 所有分割都是二元的（仅有两个子组）。
修剪
C&R 树允许您先生成树，然后根据成本复杂性算法（该算法可根据终端节点数调整风险估计）修剪此树。 通过此方法（此方法可以使树在长大后再根据更复杂的标准进行修剪）可生成交叉验证属性更佳的小型树。 增加终端节点数通常会降低当前（训练）数据的风险，但当模型扩展为适用不可见数据时，实际的风险可能会更大。 假设在一种极端的情况下，训练集合中的每条记录都有一个单独的终端节点。 风险估算将为 0%，因为每条记录都属于其自己的节点，但不可见（测试）数据的误分类风险几乎肯定大于 0。 成本复杂性度量尝试弥补这一不足。
示例。 某有线电视公司委托进行市场营销研究，以确定有意预订有线电视互动新闻服务的用户。 使用研究中得来的数据可创建流，其中的目标字段为有意预订有线电视服务，预测变量字段则包括年龄、性别、教育、收入类别、每天看电视的时间和子女数。 通过将 C&R 树节点应用到流，您可以预测响应并对响应进行分类以获取竞销的最高响应率。
需求。 To train a C&R Tree model, you need one or more Input fields and exactly one Target field. 目标字段和输入字段可以是连续字段（数字范围），也可以是分类字段。 将忽略设置为 Both
或 None 的字段。 对于模型中使用的字段，必须将它们的类型完全实例化，并且模型中使用的所有有序（有序集合）字段的存储类型必须是数字（而不是字符串）。 必要的话，可以使用重新分类节点对存储类型进行转换。
强度。 遇到缺少数据及大量字段等问题时，C&R 树模型的表现十分稳健。 这些模型通常不需要花费很长的训练时间用于估计。 另外，C&R 树模型似乎比某些其他模型类型更易于理解 - 派生自模型的规则解释起来更简明易懂。 与 C5.0 不同的是，C&R 树可同时兼容连续字段和分类输出字段。