निर्णय वृक्ष प्रवर्तन क्लास-लेबल वाले प्रशिक्षण टुपल्स से निर्णय वृक्षों का सीखना है। एक निर्णय वृक्ष एक अनुक्रमिक आरेख-जैसी वृक्ष संरचना है, जहां प्रत्येक आंतरिक नोड (गैर-लीफ नोड) एक विशेषता पर एक परीक्षण इंगित करता है, प्रत्येक शाखा परीक्षण का परिणाम परिभाषित करती है, और प्रत्येक लीफ नोड (या टर्मिनल नोड) एक क्लास लेबल को प्रभावित करता है। एक वृक्ष में सबसे ऊंचा नोड रूट नोड है।
यह कंप्यूटर खरीदने की अवधारणा को परिभाषित करता है, यानी, यह भविष्यवाणी करता है कि AllElectronics पर एक उपयोगकर्ता कंप्यूटर खरीदने की संभावना रखता है या नहीं। आंतरिक नोड्स को आयतों द्वारा दर्शाया जाता है, और लीफ नोड्स को अंडाकार द्वारा दर्शाया जाता है। विभिन्न निर्णय वृक्ष एल्गोरिदम केवल बाइनरी ट्री बनाते हैं (जहां प्रत्येक आंतरिक नोड 정확히 दो अन्य नोड्स में शाखा करता है), जबकि अन्य गैर-बाइनरी ट्री बना सकते हैं।
एक टुपल, X, दिया गया है, जिसके लिए संबंधित क्लास लेबल अज्ञात है, टुपल के विशेषता मूल्यों की जांच निर्णय वृक्ष के विरुद्ध की जाती है। रूट से लीफ नोड तक एक पथ का पता लगाया जाता है, जो उस टुपल के लिए क्लास भविष्यवाणी को प्रभावित करता है। निर्णय वृक्षों को वर्गीकरण नियमों में बदला जा सकता है।
निर्णय वृक्ष वर्गीकरणकर्ताओं के विकास के लिए किसी डोमेन ज्ञान या पैरामीटर सेटिंग की आवश्यकता नहीं होती है, और इस प्रकार यह खोजपूर्ण ज्ञान खोज के लिए उपयुक्त है।
निर्णय वृक्ष उच्च आयामी डेटा को संभाल सकते हैं। वृक्ष रूप में अधिग्रहीत ज्ञान का उनका प्रतिनिधित्व सहज और आमतौर पर मनुष्यों द्वारा समझने में सरल होता है। निर्णय वृक्ष प्रवर्तन का सीखने और वर्गीकरण चरण आसान और तेज़ हैं।
सामान्यतः, निर्णय वृक्ष वर्गीकरणकर्ताओं की अच्छी दक्षता होती है। हालांकि, सफल उपयोग हाथ में डेटा पर आधारित हो सकता है। निर्णय वृक्ष प्रवर्तन एल्गोरिदम का उपयोग चिकित्सा, विनिर्माण और उत्पादन, मौद्रिक विश्लेषण, खगोल विज्ञान, और आणविक जीव विज्ञान सहित कई अनुप्रयोग क्षेत्रों में वर्गीकरण के लिए किया गया है। निर्णय वृक्ष कई वाणिज्यिक नियम प्रवर्तन प्रणालियों पर आधारित हैं।
वृक्ष निर्माण के दौरान, विशेषता चयन उपायों का उपयोग उस विशेषता को चुनने के लिए किया जाता है जो टुपल्स को विभिन्न कक्षाओं में सबसे अच्छा विभाजित करती है। जब निर्णय वृक्षों का निर्माण किया जाता है, तो कुछ शाखाएं प्रशिक्षण रिकॉर्ड में शोर या बाहरी मानों को प्रतिबिंबित कर सकती हैं। वृक्ष छंटाई ऐसी शाखाओं को पहचानने और समाप्त करने का प्रयास करती है, जिसका उद्देश्य अनदेखे डेटा पर वर्गीकरण सटीकता में सुधार करना है।
ID3, C4.5, और CART एक लालची (यानी, नॉन-बैकट्रैकिंग) विधि की पुष्टि करते हैं जिसमें निर्णय वृक्षों को शीर्ष-डाउन पुनरावर्ती विभाजन-और-विजय विधि में बनाया जाता है। निर्णय वृक्ष प्रवर्तन के लिए कई एल्गोरिदम भी ऐसी शीर्ष-डाउन विधि का पालन करते हैं, जो प्रशिक्षण टुपल्स के संग्रह और उनके संबंधित क्लास लेबल के साथ शुरू होती है। प्रशिक्षण संग्रह को वृक्ष के निर्माण के रूप में छोटे उपसमुच्चयों में पुनरावर्ती रूप से विभाजित किया जाता है।
