决策树是一种常用的生涯决策方法，通过对决策问题的图形表达，指明未来的决策点和可能发生的偶然事件，并用记号表明各种不确定事件可能发生的概率。

决策问题是指实际状态与期望状态之间存在的一种需要缩小或排除的差距。决策问题是由实际状态、期望状态和差距三个要素组成的。实际状态首先是指现有的客观状态，有时也包括可预测、预计的未来状态。它有时是一些比较简单的事实现象，有时则是一些比较复杂的事实现象总体。因此，确认实际状态既要有实事求是的客观态度，又要掌握有效地了解客观事实的科学方法。

决策树(Decision Tree）是在已知各种情况发生概率的基础上，通过构成决策树来求取净现值的期望值大于等于零的概率，评价项目风险，判断其可行性的决策分析方法，是直观运用概率分析的一种图解法。由于这种决策分支画成图形很像一棵树的枝干，故称决策树。在机器学习中，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。Entropy = 系统的凌乱程度，使用算法ID3, C4.5和C5.0生成树算法使用熵。这一度量是基于信息学理论中熵的概念。决策树是一种树形结构，其中每个内部节点表示一个属性上的测试，每个分支代表一个测试输出，每个叶节点代表一种类别。分类树（决策树）是一种十分常用的分类方法。它是一种监督学习，所谓监督学习就是给定一堆样本，每个样本都有一组属性和一个类别，这些类别是事先确定的，那么通过学习得到一个分类器，这个分类器能够对新出现的对象给出正确的分类。这样的机器学习就

常用指经常使用；日常应用。出自《墨子·小取》等书。