BaseDecisionTree源码阅读

# init：参数

criterion：特征选择方法，包含信息熵、gini；
splitter：选择特征的方式，best：所有特征中最好的；random：部分随机特征中选择最好的；
max_depth：树的最大深度，超过的将会剪枝；
min_samples_split：分裂最小样本个数，不满足条件不进行分枝；
min_samples_leaf：分裂后的最小样本个数，小于的则进行剪枝；
min_weight_fraction_leaf：叶子节点全部样本权重和的最小值，若是小于这个值，则会被剪枝
max_features：划分数据集时考虑的最多特征值数量
random_state : 固定测试集和训练集划分
max_leaf_nodes：最大叶子节点数量；
min_impurity_decrease：节点划分最小不纯度（gini）；
min_impurity_split：信息增益的阈值，小于阈值不进行分裂
class_weight：类别权重，dict：样本各类别权重；
presort：对数据进行排序，加速树的构建

# fit(self, X, y, sample_weight=None, check_input=True, X_idx_sorted=None):

1. random_state = check_random_state(se