在构建决策树时拆分属性时，我可以使用信息增益或信息增益比来尝试确定拆分树的最佳值。

• 当我有较少数量的不同值（主要是不连续的名义和有序值）时，我会使用信息增益
• 我会为具有大量不同值（主要是连续值）的属性使用信息增益率

也就是说，我是否必须选择一种方法用于整个树中的所有属性？

我的直觉是不，因为与其他属性比较的信息增益或信息增益比不是相关的比较；它仅与为了产生拆分的目的而与同一属性的不同值进行比较有关。

我在想，根据训练数据，一个人可能甚至可以将它们交换为树中的不同分割。如果该属性的值子集与以前的不同值较大的拆分相比较小，则可以使用更偏向于产生更有用结果的值。