构建决策树时，需要根据训练数据计算所有特征的最佳分裂点，来实现分类决策树构建。在 scikit-learn 的分类决策树实现中，主要用到了两种方法：

1. 信息增益
2. 基尼指数

接下来，我们就要去学习和掌握这两种分裂增益原理和计算方法，以及基于这两种方法构建决策树。

注意：决策树可以是多叉树、也可以是二叉树，在实际应用时，我们一般都是构建的二叉树结构。

1. 信息增益

信息增益是基于熵的分裂增益计算方法。在这一部分，我们将学习熵的概念，以及如何利用这些概念来构建分类决策树。

信息增益（Shannon Information Gain）

2. 基尼指数

基尼指数是分类决策树中默认使用的分裂增益计算方法，它衡量了决策树分裂后的不纯度下降程度。相较于信息增益，基尼指数的计算更为简洁。

基尼指数（Gini Index）