用一小段带噪声的复数信号样本来训练一棵 CART 决策树，对16QAM符号进行分类判决。每个样本用两维实数特征表示：实部 x1 与虚部 x2；标签是整型类标（如0～15，对应16QAM的16个星座点）。
- 划分标准：使用基尼系数（Gini）作为节点不纯度度量，选择加权 Gini 最小且左右子集均非空的划分。
- 切分方式：只允许在特征 x1 或 x2 上，用固定阈值集合 {-3, -2, -1, 0, 1, 2, 3} 中的某个阈值 t 进行二分；样本按“特征值 < t 进左子集，否则进右子集”分配。
- 叶子输出：叶子节点输出该节点内样本的多数类；若并列，取数值较小的标签，保证确定性。
- 树深度：最大深度为 5（根深度计 1）。
- 训练集整体 Gini：按训练集中各标签频率一次性计算并输出。
请在读入训练样本后，先输出训练集整体 Gini（四舍五入保留 4 位小数），再用训练好的树对给定测试点 (tx1, tx2) 进行预测并输出其标签。
约束与说明
- 仅使用特征 x1、x2；阈值必须从 {-3, -2, -1, 0, 1, 2, 3} 中选择。
- 每次划分两侧必须均非空；若所有候选划分都不能降低加权 Gini，或深度到限，则当前节点为叶子。
- 并列多数类时取数值更小的类标。
