决策树，英文全称是：Decision Tree，其又称为判定树, 是一种以树结构形式表达的预测分析模型。决策树的结构可以是二叉树，也可以是多叉树。
决策树由结点和有向边组成。结点有两种类型：内部结点和叶节点。内部节点表示一个特征或属性, 叶节点表示一个类。
以一个简单的用于是否买电脑预测的决策树为例子：
树中的内部节点代表一个属性，节点引出的分支表示这个属性的所有可能的值，叶节点表示最终的分类结果。从根节点到叶节点的每一条路径构建一条规则，并且这些规则具有 互斥且完备 的性质，即每一个样本均被且只有一条路径所覆盖。
综上所述，我们可以得知，决策树（decision tree）是一个树结构，可以是二叉树或非二叉树，也可以把它看作是 if-else 规则的集合，也可以认为是在特征空间上的条件概率分布。
决策树分为两大类：
（1）分类树，对离散变量做决策树；
（2）回归树，对连续变量做决策树。
决策树算法通常是一个递归地选择最优特征, 并根据该特征对训练数据进行分割, 使得各个子数据集有一个最好的分类的过程。
在决策树算法中，分三类：
（1）ID3基于信息增益作为属性选择的度量
（2）C4.5基于信息增益比作为属性选择的度量
（3）CART基于基尼指数作为属性选择的度量
决策树算法属于贪心算法，其最大的特点是：
（1）有监督的学习
（2）非参数学习算法
（3）自顶向下递归方式构造决策树
（4）在每一步选择中都采取在当前状态下最好最优的选择
决策树的生成过程，分为三个步骤：
第一步：特征选择。
第二步：决策树生成。递归结构，对应于模型的局部最优。
第三步：决策树剪枝。缩小树结构规模，缓解过拟合，对应于模型的全局选择。
（1）速度快。因为计算量相对较小，且容易转化成分类规则。只要沿着树根向下一直走到叶子节点即可，沿途的分裂条件就能够唯一确定此种分类的规则。
（2）准确性高。挖掘出来的分类规则准确性高，便于理解，决策树可以清晰的显示哪些字段比较重要，即可以生成可以理解的规则。
（3）可以处理连续和种类字段。
（4）不需要任何领域知识和参数假设。
（5）适合高维数据。
（1）对于各类别样本数量不一致的数据, 信息增益偏向于那些更多数值的特征。
（2）容易过拟合。
（3）忽略属性之间的相关性。