决策树是一种经典的机器学习算法，常用于分类问题。下面我们来介绍一个决策树的经典例题及答案。

假设有一个数据集，其中包含了一些人的基本信息以及他们是否购买了某种产品的记录。现在我们需要根据这些信息来预测一个新用户是否会购买该产品。

我们可以用决策树来解决这个问题。我们将数据集分为训练集和测试集，使用训练集来构建决策树，然后用测试集来验证模型的准确性。

首先，我们需要选择一个特征来作为根节点，这个特征应该能够最好地区分购买者和非购买者。我们可以选择性别作为根节点，因为性别通常与购买偏好有关。在这个数据集中，有60%的购买者是女性，因此我们可以将性别设为根节点，将数据集分为男性和女性两个子集。

然后，我们需要继续选择一个特征来作为第二个节点。我们可以选择年龄，因为年龄也与购买偏好有关。我们可以将年龄分为两个区间：18岁以下和18岁以上。对于女性购买者，大部分是18岁以上的，因此我们可以将18岁以上的女性设为一个叶节点。对于男性购买者，大部分是18岁以下的，因此我们可以将18岁以下的男性设为叶节点。

然后，我们需要继续选择一个特征来作为第三个节点。我们可以选择收入，因为收入也与购买偏好有关。我们可以将收入分为两个区间：低于50K和高于50K。对于18岁以上的女性购买者，大部分收入高于50K，因此我们可以将高于50K的女性购买者设为一个叶节点。对于18岁以下的男性购买者，大部分收入低于50K，因此我们可以将低于50K的男性购买者设为叶节点。

最终，我们得到了一个决策树，它能够预测一个新用户是否会购买该产品。如果新用户是女性且收入高于50K，那么他很可能会购买该产品。如果新用户是男性且年龄低于18岁且收入低于50K，那么他很可能不会购买该产品。

这就是一个决策树的经典例题及答案。通过构建决策树，我们可以快速准确地预测一个新用户是否会购买该产品，从而帮助企业做出更好的决策。