机械学习中，决策树是一个预测模型；他代表的是对象属性与对象值之间的一种映射关系。树中每一个节点表示某个对象，而每一个分叉途径那么代表的某个可能的属性值，而每一个叶结点那么对应从根节点到该叶节点所经历的途径所表示的对象的值。决策树仅有单一输出，假设欲有复数输出，能够成立独立的决策树以处置不同输出。从数据产生决策树的机械学习技术叫做决策树学习,通俗说确实是决策树。决策树学习也是数据挖掘中一个一般的方式。在那个地址，每一个决策树都表述了一种树型结构，他由他的分支来对该类型的对象依托属性进行分类。每一个决策树能够依托对源数据库的分割进行数据测试。那个进程能够递归式的对树进行修剪。当不能再进行分割或一个单独的类能够被应用于某一分支时，递归进程就完成了。另外，随机丛林分类器将许多决策树结合起来以提升分类的正确率。决策树同时也能够依托计算条件概率来构造。决策树若是依托数学的计算方式能够取得加倍理想的成效。决策树是如何工作的决策树一样都是自上而下的来生成的。选择分割的方式有好几种，可是目的都是一致的：对目标类尝试进行最正确的分割。从根到叶子节点都有一条途径，这条途径确实是一条“规那么”。
