这实际上不是关于决策树的问题，而是关于差异度量的属性的问题。如果您发现决策树的最终性能对于不同的指标存在显着差异，我会感到惊讶，但如果您确实发现了很大差异，请发表评论！

所以我认为你在这里选择什么并不重要，但是例如，卡方数值具有特定含义，仅当数据呈正态分布时才有效。如果不是，那么卡方可以人为地变大或变小。但是最好的分割可能是卡方最低的分割，所以这就是为什么我认为不会有很大的影响，即使你的数据不是正态分布的。

关于基尼系数：给定的拆分会导致您与真实情况进行比较的两个样本。基尼系数对小样本有向下的偏差，因此如果拆分后的样本之一很小，那么您的度量就会有偏差。这不是很好，所以可能不要在决策树中使用基尼系数。