决策树方法人们把决策问题的自然状态或条件出现的概率、行动方案、益损值、预测结果等，用一个树状图表示出来，并利用该图反映出人们思考、预测、决策的全过程。

分类决策树模型是一种描述对实例进行分类的树形结构，决策树由节点和有向边组成。节点有两种类型：内部节点和叶节点。内部节点表示一个特征或属性．叶节点表示一个类。用决策树分类，从根节点开始，对实例的某一特征进行测试，根据测试结果，将实例分配到其子节点；这时，每一个子节点对应着该特征的一个取值。如此递归地对实例进行测试并分配，直到达到叶节点。最后将实例分到叶节点的类中。决策树学习算法是以实例为基础的归纳学习算法，本质上是从训练数据集中归纳出一组分类规则，与训练数据集不相矛盾的决策树可能有多个，也可能一个也没有。我们需要的是一个与训练数据集矛盾较小的决策树，同时具有很好的泛化能力。

□一表示决策节点。从它引出的分支叫方案分支，每支代表一个方案。决策节点上标注的数字是所选方案的期望值。

○一表示方案节点。从它引出的分支叫概率分支。分支数反映可能的自然状态数。分支上注明的数字为该自然状态的概率。

△一表示结果节点。它旁边标注的数字为方案在某种自然状态下的收益值。

应用树状图进行决策的过程，是由右向左逐步前进，计算右端的期望收益值，或损失值，然后对不同方案的期望收益值的大小进行选择。方案的舍弃称为剪支。最后决策节点只留下唯一的一个，就是最优的决策方案。

(1)画出决策树，画决策树的过程也就是对未来可能发生的各种事件进行周密思考、预测的过程，把这些情况用树状图表示出来．先画决策点，再找方案分枝和方案点．最后再画出概率分枝．

(2)由专家估计法或用试验数据推算出概率值．并把概率写在概率分枝的位置上．

(3)计算益损期望值，从树梢开始，由右向左的顺序进行．用期望值法计算．若决策目标是盈利时，比较各分枝，取期望值最大的分枝，其他分枝进行修剪．

用决策树法可以进行多级决策．多级决策(序贯决策)的决策树至少有两个或以上决策点．

决策树方法简便易学，具有广泛的实用价值。由于多阶段问题由若干单阶段问题构成，所以决策树方法不仅可以解决多阶段问题，也可以解决单阶段问题。但考虑到它在解决多阶段问题上的作用无法被一般方法代替，故将其单独介绍，不过介绍仍然从单阶段问题开始。