【机器学习】Decision Tree 决策树算法详解 + Python代码实战一、直观理解决策树二、熵的作用三、信息增益四、决策树构造实例五、信息增益率和GINI系数六、连续值特征划分七、剪枝方法（预剪枝和后剪枝）八、回归问题预测思路九、Python代码实现决策树十、SkLearn库实现决策树并可视化
节点在分割之前必须具有的最小样本数：叶子节点必须具有的最小样本数：叶子节点的最大数量：在每个节点处评估用于拆分的最大特征数（除非特征非常多，否则不建议限制最大特征数）max_depth：树最大的深度。
