这种情况大概率是数据本身的特性或者算法默认参数适配性导致的，下面给你拆解几个最可能的原因，附带验证方法：

• 目标变量分布极端失衡
  这是最常见的原因：如果全量204条数据里，第7列的目标变量几乎全是同一个类别（比如99%都是A类），C5.0算法会直接输出一个根节点（预测为占比最高的类别），因为分裂节点无法提升模型性能。而你取的前100条数据里，目标变量的类别分布相对均衡，所以算法能生成多节点的决策树。
  验证方法：分别查看全量和子集的目标变量分布：

  # 全量数据分布
  table(dataset1[,7])
  # 前100条数据分布
  table(dataset1[1:100,7])
  

• 全量数据存在"完美分类"的特征
  如果全量数据里某个特征的某个取值，100%对应目标变量的某个类别，且这个特征覆盖了绝大多数样本，C5.0会直接用这个特征作为根节点，之后没有必要再分裂（所有样本都被正确分类），看起来就像"无节点"（实际是只有一个根节点）。而前100条数据里这种完美关联不存在，所以会继续分裂生成多节点树。

• 全量数据的特征区分度下降
  随着样本量增加，某些特征可能出现大量重复取值、噪声数据，导致特征对目标变量的区分能力变弱，C5.0找不到有分裂价值的特征。比如某个特征在100条数据里有20个唯一值，但全量数据里因为噪声变成只有2个唯一值，自然无法用来分裂。
  验证方法：对比全量和子集的特征唯一值数量：

  # 全量数据特征唯一值数
  sapply(dataset1[,-7], function(x) length(unique(x)))
  # 前100条数据特征唯一值数
  sapply(dataset1[1:100,-7], function(x) length(unique(x)))
  

• C5.0默认参数的适配问题
  C5.0默认有minCases参数（分裂节点所需的最小样本数，默认是2），但如果全量数据中，潜在分裂节点的样本数达不到这个阈值（或者其他参数如CF置信度阈值设置过高），算法就不会分裂。你可以尝试调整参数强制分裂：

  model = C5.0(dataset1[,-7], dataset1[,7], control = C5.0Control(minCases = 1, CF = 0.1))
  

优先排查顺序：先看目标变量分布，再检查特征分布，最后调整参数验证。

内容的提问来源于stack exchange，提问作者ferdianm10