我正在学习机器学习中的决策树算法
我可以从教程中了解到，决策树在每个节点上计算信息增益，并据此确定节点的最佳属性。
但我无法得到的是它如何为每个节点定义最佳规则。
假设年龄是否是特定节点的最佳属性。在那种情况下，如果决策树选择规则年龄 > 50，那么我的问题是这个规则是怎么来的？
还请解释以下内容：
决策树在每个级别将数据划分为同质子集。
【问题讨论】：
标签： machine-learning classification data-science decision-tree
在每个节点，拆分函数选择特征和该特征的值（拆分记录的位置），从而最小化两个记录子集的成本。因此，它同时选择特征和值。成本函数取决于设置、分类或回归，但例如可能是熵，请注意，最小化熵等同于最大化信息增益（正如您在问题中描述的那样）。
更直观地说，目标是创建最纯粹的记录子集，即每个子集包含尽可能多的样本，只属于一个类。另一种说法是子集应该尽可能同质或尽可能纯。
有关更多详细信息，任何关于机器学习的介绍性教科书都是一个很好的起点，请参阅例如Introduction to Statistical Learning Tibshirani 和 Hastie 等人。
【讨论】：
基本上，有两个主要步骤。首先，特征选择是下一次分割的最佳候选（使用例如基尼指数或熵）。其次，您计算拆分前后的信息增益，并希望获得最大增益（您可以使用贪心方法）。
有一系列关于决策树的不错的文章，其中还讨论了优点和局限性，Decision Trees. Decoded。
【讨论】：