1.決策樹的算法
決策樹的算法是以樹狀結構表示數據分類的結果。壹般情況，壹棵決策樹包含壹個根節點、若幹個內部結點和若幹個葉結點。而葉結點對應於決策結果，其他每個結點則對應於壹個屬性測試；每個結點包含的樣本集合根據屬性測試的結果被劃分到子結點中；根結點包含樣本全集，從根結點到每個葉結點的路徑對應了壹個判定測試序列。決策樹學習的目的就是為了產生壹棵泛化能力強，即能處理未見示例能力強的決策樹。這些就是決策樹算法的結構。
2.決策樹的原理
壹般來說，決策樹歸納的基本算法是貪心算法，自頂向下以遞歸方式構造決策樹。而貪心算法在每壹步選擇中都采取在當前狀態下最優的選擇。在決策樹生成過程中，劃分選擇即屬性選擇度量是關鍵。通過屬性選擇度量，選擇出最好的將樣本分類的屬性。這樣就能夠方便數據屬性的劃分，然後，下壹步是樹的剪枝。在決策樹學習中，為了盡可能正確分類訓練樣本，結點劃分過程將不斷重復，這樣才能夠使用決策樹解決很多的問題。而分類是數據挖掘中的壹種應用方法，而決策樹則是壹種典型的普遍使用的分類方法，並且決策樹技術早已被證明是利用計算機模擬人決策的有效方法。
3.決策樹的現狀
近年來隨著信息技術、計算機科學的迅速發展，決策樹作為重要方法之壹，越來越受到人們的關註。而其在人工智能方面的潛力以及與越來越多新技術的結合，由此可見，決策樹在數據挖掘乃至數據分析中還是有很長的使用時間，這就是決策樹至今經典的原因。
在這篇文章中我們給大家介紹了關於數據挖掘中決策樹的知識，當大家學習了決策樹的概念，決策樹的結構以決策樹的原理，就能夠掌握決策樹的基礎知識。不過要想學習數據挖掘，還是要學習更多的知識，希望這篇文章能夠幫助到大家。