使用sklearn.datasets中的make_blobs函数产生100个样本，每个样本具有两个特征，这两类样本的中心点分别为[2, 4]和[4, 2]，标准差为1，使用决策树算法对这些样本进行分类，讲述分类过程和输出最终决策树数据；

首先，我们可以使用Python的scikit-learn库中的`make_blobs`函数生成二维空间中的两类非线性分布的数据点。假设我们想要生成100个样本，每组50个，中心点分别位于(2, 4)和(4, 2)，并设置标准差为1。

from sklearn.datasets import make_blobs
import numpy as np

# 参数设定
centers = [(2, 4), (4, 2)]
n_samples_per_class = 50
std_dev = 1

# 创建样本数据
X, y = make_blobs(n_samples=n_samples_per_class * 2,
                  centers=centers,
                  cluster_std=std_dev,
                  random_state=42)

# 将y转换为二进制标签
y = y.reshape(-1, 1).astype(int)

接下来，我们将使用`DecisionTreeClassifier`从scikit-learn库来训练我们的决策树模型。这里以ID3、C4.5或CART（ CART决策树）为例，因为它们都支持连续型特征：

from sklearn.tree import DecisionTreeClassifier
from sklearn.model_selection import train_test_split
from sklearn.metrics import accuracy_score

# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# 训练决策树模型
clf = DecisionTreeClassifier(random_state=42)
clf.fit(X_train, y_train)

# 预测测试集
y_pred = clf.predict(X_test)

# 输出预测结果
print("Predicted classes:", y_pred)

最后，决策树的数据通常是一个嵌套的字典结构，包含了节点信息如特征属性、阈值、子节点等。为了查看完整的决策树，可以使用`export_graphviz`函数，但它需要安装graphviz库，并将决策树对象传递给该函数：

try:
    from sklearn.tree import export_graphviz
except ImportError:
    print("Please install graphviz to visualize the decision tree.")

# 用于可视化的装饰器
def draw_tree(decision_tree):
    # ... (省略展示完整决策树代码)

# 如果有安装，可视化决策树
if 'export_graphviz' in dir(clf):
    with open('decision_tree.dot', 'w') as f:
        export_graphviz(clf, out_file=f, filled=True, rounded=True, feature_names=['feature_1', 'feature_2'])
    # 执行 `dot -Tpng decision_tree.dot > decision_tree.png` 来生成图片
    print("Visualization of the decision tree saved as 'decision_tree.dot' and 'decision_tree.png'")
else:
    print("Visualizing the decision tree requires graphviz.")

由于实际输出决策树数据较为复杂，这里只展示了基本的步骤。在运行上述代码后，你将得到预测的结果以及可能的可视化图表。请注意，真实输出取决于随机种子选择和其他因素。