决策树的基本思想、三个度量方法熵、基尼指数、分类信息增益数量越多时怎么处理

决策树的基本思想是通过对数据集进行递归分割，生成一个树形结构的分类模型。在每个节点上，根据某个属性的取值将数据集分成不同的子集，直到子集中的所有数据属于同一类别为止。决策树的构建过程是一个自顶向下的递归过程，每次选择最优的属性进行分割，直到满足停止条件为止。

三个度量方法分别是熵、基尼指数和分类信息增益。熵是表示数据集的不确定性的度量，熵越大表示数据集的不确定性越高。基尼指数是表示数据集纯度的度量，基尼指数越小表示数据集的纯度越高。分类信息增益是表示使用某个属性进行分割后，数据集纯度提高的程度，分类信息增益越大表示使用该属性进行分割的效果越好。

当数据集中的属性数量很多时，可以使用特征选择算法进行降维，选择最优的属性进行分割。另外，也可以限制决策树的深度或者剪枝来避免过拟合的问题。