简述决策树是一种什么样的模型？并指出决策树常用算法有哪些，这些算法是根据什么构建决策树的？

决策树是一种监督学习的分类和回归分析方法，它通过模拟人类做决策的过程，构建一棵树状结构，每个内部节点代表一个特征，分支表示该特征的取值，叶子节点则是最终的决策结果或目标变量的预测值。决策树易于理解和解释，因为它可以生成可视化的规则集。

常用的决策树算法有：

1. ID3（Iterative Dichotomiser 3）：基于信息增益（Entropy or Gini Impurity）构建，通过递归地选择最优特征进行划分。
2. C4.5/C5.0：ID3的改进版本，引入了信息增益率和基尼系数等度量，并能处理缺失数据。
3. CART (Classification and Regression Trees)：用于分类和回归问题，区分了两类算法：CART-C、CART-R分别对应分类和回归决策树。
4. Random Forest：由多个决策树组成，通过随机抽样特征和样本集合来创建多个决策树，然后取多数投票或平均结果作为最终预测。
5. XGBoost：这是一种集成方法，但它使用了一种优化过的梯度提升算法来训练决策树，支持分布式计算。

这些算法的基本思想都是在每次分裂时选择能够最大化某种信息增益或减少不确定性（如纯度提升）的特征，直到达到预设的停止条件，如树的深度、叶节点最小样本数等。