Machine learning 在Sklearn中的决策树节点上实现所有可能的问题？

我正在考虑在实现决策树时可能出现的一些问题。假设，我选择X3作为我的根属性来开始分割。我有X1，X2和X3。所以，X3给了我更高的信息增益。所以，我决定就此开始分裂

假设，在X3中，我可以问两个问题开始拆分

a、 ）如果值>0.6，它可以是1类b。）假设，它有一些值，如0.4多次出现。因此，值==0.4属于类2

所以我在想，有很多可能性的问题开始分裂。信息增益将通过提供更高的纯度，仅提供关于哪个属性更适合开始分割的信息

---

那么，在实现决策树时，如何编写代码来选择所有可能的问题并选择最佳问题呢？

我感到困惑。您是在尝试自己实现决策树，还是在使用sklearn的实现？还是关于底层sklearn实现的问题？我感到困惑。您是在尝试自己实现决策树，还是在使用sklearn的实现？还是关于底层sklearn实现的问题？我感到困惑。您是在尝试自己实现决策树，还是在使用sklearn的实现？还是关于底层sklearn实现的问题？