在处理连续特征值时，我们需要考虑不同的分割点对于分类结果的影响。一种常用的方法是计算每个特征值的信息增益，然后选择信息增益最大的特征作为分割点。在连续特征值的情况下，我们将所有可能的分割点排序，以各个分割点作为阈值生成两个子节点，然后计算每个子节点的信息增益。最后，选择信息增益最大的特征值作为划分的特征。
代码实现可以使用Python中的sklearn库，具体实现如下所示：
from sklearn.tree import DecisionTreeClassifier
from sklearn.datasets import load_iris
iris = load_iris()
X = iris.data[:, 2:] # 选取两个特征
y = iris.target
# 定义决策树
tree_clf = DecisionTreeClassifier(max_depth=2)
# 训练决策树
tree_clf.fit(X, y)
# 可视化决策树
from sklearn.tree import export_graphviz
export_graphviz(tree_clf, out_file="my_tree.dot", feature_names=iris.feature_names[2:], class_names=iris.target_names, rounded=True, filled=True)
# 打印特征重要性
print(tree_clf.feature_importances_)
输出的特征重要性即为在连续特征值的情况下选择最佳特征分割的结果。