通过构建决策树（采用Gini指标）对随机生成（通过np.random.randint方法）的数字进行分类，自变量X为100x4的矩阵，随机生成的数字大于10，因变量Y为大于2的100x1矩阵。树的最大深度限制为3层，训练完成之后将树可视化显示。

构建决策树的过程大致可以分为以下几个步骤：

1. **数据准备**：使用`numpy`库的`randint`函数生成100行4列的自变量矩阵`X`，以及对应的因变量（二元分类，取值为1或0，表示是否大于2）矩阵`Y`。由于条件限制，X的每个元素都是大于10的整数。

import numpy as np
X = np.random.randint(11, 21, size=(100, 4))  # 随机生成大于10的整数
Y = (X[:, -1] > 2).reshape(-1, 1)  # 根据最后一列判断是否大于2，转换为一维数组

2. **数据拆分**：将数据集划分为训练集和测试集，通常比例为80%训练和20%测试。这有助于评估模型的泛化能力。

from sklearn.model_selection import train_test_split
X_train, X_test, y_train, y_test = train_test_split(X, Y, test_size=0.2, random_state=42)

3. **模型训练**：使用`scikit-learn`库的`DecisionTreeClassifier`类，设置最大深度为3，采用Gini指数作为分裂标准。

from sklearn.tree import DecisionTreeClassifier
tree_clf = DecisionTreeClassifier(criterion='gini', max_depth=3)
tree_clf.fit(X_train, y_train)

4. **模型评估**：训练完成后，我们可以使用测试集评估模型的表现。

5. **决策树可视化**：最后，利用`export_graphviz`函数将决策树转换成可视化的图形，这里需要安装`graphviz`库。

from sklearn.tree import export_graphviz
from IPython.display import Image
dot_data = export_graphviz(tree_clf, out_file=None, feature_names=X.columns[:-1], class_names=["<=2", ">2"])
graph = Source(dot_data)
Image(graph.create_png())

这将生成一个图像，展示出三层深度的决策树结构。