Как выбирается порог в дереве

Порог в узле дерева решений выбирается для максимизации информативности разделения данных. Обычно используется критерий Джини или энтропия для классификации, MSE — для регрессии. Алгоритм перебирает возможные пороги и выбирает тот, который даёт наибольший прирост информации (IG) или наименьшую ошибку.

Пример для бинарного признака:

from sklearn.tree import DecisionTreeClassifier

# X — признаки, y — целевая переменная
model = DecisionTreeClassifier(criterion='gini', max_depth=3)
model.fit(X, y)

Для непрерывных признаков порог ищется перебором значений, сортированных по возрастанию, и вычислением критерия для каждого возможного разделения. В sklearn это делается автоматически при вызове fit().