決策樹（Decision Tree）是在已知各種情況發生概率的基礎上，通過構成決策樹來求取凈現值的期望值大於等於零的概率，評價項目風險，判斷其可行性的決策分析方法，是直觀運用概率分析的壹種圖解法。由於這種決策分支畫成圖形很像壹棵樹的枝幹，故稱決策樹。在機器學習中，決策樹是壹個預測模型，他代表的是對象屬性與對象值之間的壹種映射關系。Entropy = 系統的淩亂程度，使用算法ID3,?C4.5和C5.0生成樹算法使用熵。這壹度量是基於信息學理論中熵的概念。
決策樹是壹種樹形結構，其中每個內部節點表示壹個屬性上的測試，每個分支代表壹個測試輸出，每個葉節點代表壹種類別。
分類樹（決策樹）是壹種十分常用的分類方法。它是壹種監督學習，所謂監督學習就是給定壹堆樣本，每個樣本都有壹組屬性和壹個類別，這些類別是事先確定的，那麽通過學習得到壹個分類器，這個分類器能夠對新出現的對象給出正確的分類。這樣的機器學習就被稱之為監督學習。