从scikit-learn的文档这里或我的实验中可以看出，DecisionTreeClassifier的树结构都是二叉树。无论是使用gini还是entropy作为标准，每个DecisionTreeClassifier节点只能有0个、1个或2个子节点。

但从决策树介绍的幻灯片（第3页）来看，理论上的决策树节点可以有超过2个子节点。

所以我的问题是，为什么scikit-learn的DecisionTreeClassifier决策树结构仅为二叉树（每个DecisionTreeClassifier节点只能有1个或2个子节点）？我们能否为DecisionTreeClassifier获得具有超过2个子节点的树结构？

回答：

这是因为scikit-learn的方法是处理数值型特征，而不是分类型特征。当你处理数值型特征时，构建一个可以有任意数量阈值的良好分割规则是相对困难的（这需要产生超过2个子节点）。另一方面，对于分类型特征（在提供的幻灯片中使用），另一种可能的选择是拥有尽可能多的子节点，每个可能的值对应一个子节点。这两种方法都有其自身的问题（分类方法在可能的值很多时几乎无法处理，而数值方法需要特定的特征编码，如分类特征的一热编码，这实际上意味着你仍然可以表达相同的树，但不是直接有“物种”节点及其3个子节点[狗，猫，人]，而是会有更深的树结构，决策为：[狗，非狗]，[非狗但猫，非狗非猫但人]）。

所以简短的回答是不，你无法用这个实现获得超过2个子节点的树结构，但这在一般情况下并不是真正的限制。