CART决策树使用“基尼指数”（Gini index）来选择划分属性。
我们希望决策树的分支结点所包含的样本尽可能属于同一类别，即节点的纯度越来越高。
数据集D的纯度可用基尼值来度量：
Gini(D)越小，则数据集D的纯度越高。
属性a的基尼指数定义为：
在候选属性集合A中，选择那个使得划分后基尼指数最小的属性作为最优划分属性，即
前面讲完了ID3、C4.5算法和CART决策树算法怎么选择最优划分属性，下面讲解决策树通用算法流程：
输入：训练集D={{x1,y1},{x2,y2},...,{xm,ym}}
属性集A={a1,a2,...,ad}
过程：函数TreeGenerate(D,A)
生成节点node;
if D中样本全属于同一类别C then
将node标记为C的叶节点；return
end if
if A≠ OR D中样本在A上取值相同 then
将node标记为叶节点，其类别标记为D中样本数最多的类；return
end if
从A中选择最优划分属性
for 的每一个值
do
为node生成一个分支；令表示D中在
上取值为
的样本子集；
if 为空 then
将分支节点标记为叶节点，其类别标记为D中样本最多的类；return
else
以TreeGenerate(,A\{
}) 为分支节点
end if
end for
输出：以node为根节点的一颗决策树。
下一章讲解决策树的剪枝处理。
