模型树推广了回归树的概念，它与回归树的2个重要不同在于：
- 叶节点上不是常量，而是一个线性函数模型。
- 分割空间的标准不是降低平方误差，而是降低样本标准差。
相比于回归树，模型树的优点在于：回归树的计算量随着维度的增加而迅速增加，但模型树比模型小得多，所以模型树在处理高维（数百）数据时会比较轻松。由于叶节点是采用的是线性函数而非常量，所以预测的精度更高。
M5模型树划分的标准是：将一个节点覆盖的样本的Y值（即目标属性值）的标准差看作误差的度量。计算SDR（standard deviation reduction）
T是到达该节点的实例的集合，|T|表示集合的大小，sd表示标准差，T i 是第i个子树上的实例集合，一般采用的模型树是都是二叉树，所以i的取值只有1和2。
最佳划分s*从候选划分集合S中取得，并且使得SDR最大。如何求得S呢？跟在回归树中的方法一样，按某一个属性对实例进行排序，只要相邻的两例在该属性上不相等，就在它们之间切开。一个属性上最多有n-1种切分方式，n是实例的个数。
树停止生长的条件有2个：
- 节点包含的样本数小于一个阈值。
- 节点包含样本的Y值标准差与全体样本Y值标准差的比值小于一定阈值。
在叶节点上，对本节点包含的实例利用线性回归算法产生一个多元回归方程，得到线性模型。
剪枝是一个bottom-up的递归过程，利用线性回归方法拟合出每个节点的回归方程，计算出回归函数预测的均方误差：
计算每个节点到其子节点的MSE的减小量：
E R 大于0时该子树保留，否则将该子树转变成一个叶子节点。
剪枝后树叶节点上邻近线性模型之间就会出现尖锋的不连续性，使用平滑算法修改相邻的线性方程，使得对应于不同方程的相邻输入向量的预测输出值变得接近。对于较少训练实例构造的模型，平滑过程尤其重要。
f parent 为叶子上级父结点拟合方程，f child 为叶子结点拟合方程，n 为到达本叶子结点的训练样本数目，k 为一个常数(通常取值15)，f new 为合并的方程。若子结点采用新函数后的R MSE 变化小于一定的阈值，则用f new 取代子结点的线性方程，否则不进行平滑处理。
