让我们看看决策树不处理离散值，而是连续值要怎么做，

在之前的数据中，增加了猫咪的体重，平均而言，猫比狗要轻一点，那么如何让决策树利用这个特征呢？

决策树的学习算法还是像之前一样进行，直线现在不仅要考虑耳朵，脸和胡须现在又要考虑体重

根据体重进行分割，如果基于体重分割比其他选项有更好的信息增益，那么应该基于体重进行分割，但是如何基于体重进行分割呢？

我们看这个图来帮助理解

这个图横轴是不同的体重，纵轴的0代表非猫，1代表的是猫

然后我么你可以在体重等于8的时候作为分隔，分后计算分割后的信息增益，

类似的

我们在体重是9 是 13都进行类似的操作

最终找到信息增益最高的那一个体重，

实际上在机器学习算法中，不单单是只看这个三个数值的判断，而是尝试X数轴上的多个值，

然后找到信息增益最大的那一个

最终决定以9为界限，划分两个子集进行决策树的构建

尝试不同阈值进行信息增益计算，并在所选阈值的连续特征上进行分割，如果他给你了你所有特征中，最佳的信息增益，

后面是将决策树推广到回归树（预测）

我们目前只讲了构建一个逻辑与进行一个类别的预测。