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。通过代码演示

在Python中，我们可以使用scikit-learn库中的DecisionTreeClassifier来构建决策树，Gini指数作为分裂依据。首先，我们需要导入所需的库，然后生成数据，接着构建模型、训练并可视化决策树。以下是示例代码：

import numpy as np
import pandas as pd
from sklearn.tree import DecisionTreeClassifier
import matplotlib.pyplot as plt
from sklearn.datasets import make_classification

# 生成随机数据
np.random.seed(0)  # 设置随机种子以便于复现结果
X, y = make_classification(n_samples=100, n_features=4, n_informative=2,
                           n_classes=2, class_sep=3, random_state=42)
# 只保留大于10的数值
X = X[y > 10]
y = y[y > 2]

# 构建决策树模型，最大深度设为3
clf = DecisionTreeClassifier(criterion='gini', max_depth=3)

# 训练模型
clf.fit(X, y)

# 将数据转换为DataFrame方便绘制
df = pd.DataFrame(data=np.c_[X.ravel(), y], columns=[f'Feature_{i}' for i in range(1, 5)] + ['Label'])

# 定义画图函数
def plot_tree(clf, df, feature_names):
    dot_data = StringIO()
    export_graphviz(clf, out_file=dot_data,
                   filled=True, rounded=True,
                   special_characters=True, feature_names=feature_names,
                   class_names=['Class_1', 'Class_2'])
    graph = pydotplus.graph_from_dot_data(dot_data.getvalue())
    plt.figure(figsize=(12, 8))
    _ = nx.nx_pydot.from_pydot(graph.create_dot()).draw()

# 可视化决策树
plot_tree(clf, df, [f'Feature_{i}' for i in range(1, 5)])

plt.show()

在这个例子中，我们首先创建了一个简单的二分类问题，然后训练了决策树模型，并利用`export_graphviz`函数将其转换为DOT语言进行可视化。最后通过`pydotplus`库将DOT文件展示出来。