请介绍下python中的决策树回归的使用场景，优势，已经试用的样本集的大小，并举出较复杂的例子

决策树回归是一种非参数回归方法，其使用场景包括但不限于以下情况：

1. 数据中存在非线性关系，不能用简单的线性回归模型拟合。

2. 数据中存在异常值或者噪声，需要使用更加灵活的模型来拟合。

3. 数据中存在多个自变量，需要研究自变量之间的交互作用。

决策树回归模型的优势在于它可以通过不断划分数据集来拟合非线性关系，从而提高模型的拟合能力。同时，决策树回归模型也具有解释性强、易于理解和使用的特点。

已经试用的样本集的大小需要根据具体情况来定。一般来说，决策树回归模型需要足够的样本量来支持决策树的构建，否则容易出现过拟合的情况。在实践中，我们需要根据数据的特点和业务需求来选择合适的样本集大小。一般来说，样本量越大，模型的拟合能力越强，预测准确性也会相应提高。

以下是一个较复杂的决策树回归的例子：假设我们要预测房屋价格，我们可以构建一个决策树模型，其中每个叶子节点代表一个房屋价格区间，然后通过不断划分数据集来拟合房屋价格和其他因素之间的关系。例如，我们可以以房屋面积、卧室数量、厨房数量、地理位置等因素作为自变量，以房屋价格作为因变量，构建一个决策树模型来预测房屋价格。通过不断划分数据集，我们可以得到一个具有多个叶子节点的决策树模型，从而实现房屋价格的预测。