決策樹(Decision Tree)常用於研究類別歸屬和預測關系的模型，比如是否抽煙、是否喝酒、年齡、體重等4項個人特征可能會影響到‘是否患癌癥’，上述4項個人特征稱作‘特征’，也即自變量（影響因素X），‘是否患癌癥’稱為‘標簽’，也即因變量（被影響項Y）。決策樹模型時，其可先對年齡進行劃分，比如以70歲為界，年齡大於70歲時，可能更容易歸類為‘患癌癥’，接著對體重進行劃分，比如大於50公斤為界，大於50公斤時更可能劃分為‘患癌癥’，依次循環下去，特征之間的邏輯組合後（比如年齡大於70歲，體重大於50公斤），會對應到是否患癌癥這壹標簽上。
決策樹是壹種預測模型，為讓其有著良好的預測能力，因此通常需要將數據分為兩組，分別是訓練數據和測試數據。訓練數據用於建立模型使用，即建立特征組合與標簽之間的對應關系，得到這樣的對應關系後（模型後），然後使用測試數據用來驗證當前模型的優劣。通常情況下，訓練數據和測試數據的比例通常為9:1,8:2,7:3,6:4或者5:5（比如9:1時指所有數據中90%作為訓練模型使用，余下10%作為測試模型好壞使用）。具體比例情況似研究數據量而定無固定標準，如果研究數據較少，比如僅幾百條數據，可考慮將70%或者60%，甚至50%的數據用於訓練，余下數據用於測試。上述中包括模型構建和模型預測兩項，如果訓練數據得到的模型優秀，此時可考慮將其進行保存並且部署出去使用（此為計算機工程中應用，SPSSAU暫不提供）；除此之外，當決策樹模型構建完成後可進行預測，比如新來壹個病人，他是否會患癌癥及患癌癥的可能性有多高。
決策樹模型可用於特征質量判斷，比如上述是否抽煙、是否喝酒、年齡、體重等4項，該四項對於‘是否患癌癥’的預測作用重要性大小可以進行排名用於篩選出最有用的特征項。
決策樹模型的構建時，需要對參數進行設置，其目的在於構建良好的模型（良好模型的標準通常為：訓練數據得到的模型評估結果良好，並且測試數據時評估結果良好）。需要特別註意壹點是：訓練數據模型評估結果可能很好（甚至準確率等各項指標為100%），但是在測試數據上評估結果確很糟糕，此種情況稱為‘過擬合’。因而在實際研究數據中，需要特別註意此種情況。模型的構建時通常情況下參數設置越復雜，其會帶來訓練數據的模型評估結果越好，但測試效果卻很糟糕，因而在決策樹構建時，需要特別註意參數的相關設置，接下來會使用案例數據進行相關說明。SPSSAU的操作如下：
訓練集比例默認選擇為:0.8即80%（150*0.8=120個樣本）進行訓練決策樹模型，余下20%即30個樣本(測試數據)用於模型的驗證。需要註意的是，多數情況下，會首先對數據進行標準化處理，處理方式壹般使用為正態標準化，此處理目的是讓數據保持壹致性量綱。當然也可使用其它的量綱方式，比如區間化，歸壹化等。
接著對參數設置如下：
節點分裂標準默認為gini系數（該參數值只是計算分裂標準的方式，不需要設置），節點劃分方式為best法，即為結合特征的優劣順序進行分類劃分，如果為了設置參數對比需要考慮，建議可對該參數值進行切換為random即隨機特征的優先順序，用於對比模型訓練效果。
節點分列最小樣本量默認為2即可，葉節點最小樣本量默認為1即可。需要註意的是：如果數據量較大時，建議將該2個參數值盡量大，以減少過擬合現象，但該2個參數值越大時通常訓練模型的擬合效果越差。具體應該以測試數據的擬合效果為準，因為訓練模型容易出現過擬合現象。樹最大深度這個參數時，其代表決策樹最多有幾層的意思，該參數值設置越大時，訓練模型擬合效果通常越好，但可能帶來過擬合情況，本案例出於演示需求，先設置為4層。（另提示：樹最大深度會受到節點分裂最小樣本量、葉節點最小樣本量的影響，並非設置為4它壹定就會為4）。
SPSSAU部分結果示例：