基于重采样验证Python无约束决策树深度预期值的问题

我尝试验证Aurélian Géron所著《Hands-On Machine Learning with Scikit-Learn, Keras & TensorFlow》第六章问题1的答案：

C61. 在无约束条件下，训练含一百万样本的数据集得到的决策树近似深度是多少？

书中推导结果为19.93，但我通过Python重采样复现时，得到的深度分布均值约17.14、中位数为17，与预期的20差距较大；且修改定义X时randint函数的范围，分布会发生变化。我怀疑代码存在问题，比如是否因每次迭代重采样、使用回归树而非分类树，或是其他代码细节导致？

注：Python运行于Anaconda环境，使用multiprocess替代multiprocessing。

复现代码 #

import numpy as np
import pandas as pd 
from sklearn.tree import DecisionTreeRegressor
import matplotlib.pyplot as plt
import multiprocess as mp2 

# 定义拟合函数
def random_dt(k): 
    X = pd.DataFrame(np.random.randint(0, 100, size = (1000000, 2)), columns = ['y', 'x'])
    y = X['y'].to_numpy().reshape(-1, 1)
    X = X['x'].to_numpy().reshape(-1, 1)
    dt = DecisionTreeRegressor()
    dt.fit(X, y)
    depth = dt.get_depth()
    return(depth)

# 多进程加速
p = mp2.Pool(processes = mp2.cpu_count() - 1)
with p as mp_pool: 
    depths = mp_pool.map(random_dt, range(10000))

# 绘制深度分布直方图
a = min(depths)
b = max(depths)
plt.hist(depths, bins = np.arange(a - 0.5, b + 0.5))
plt.xticks(range(a, b))
plt.xlabel('深度')
plt.ylabel('模型数量')
plt.title('10000棵决策树的深度分布')
plt.xlim()
plt.show()

多次运行后结果稳定，深度分布均值约17.14、中位数17，与书本答案不符。

内容的提问来源于stack exchange，提问作者jasmyace