本文就基于决策树的分类系统进行了说明，主要介绍了根据决策树算法中的ID3算法，利用开发工具Visual C++ 6.0完成系统的方法。首先介绍了机器学习、归纳学习、决策树学习等方面的相关背景。接着详细介绍了决策树，ID3算法的理论知识，包括信息熵知识,算法原理,以及分析了ID3算法的优劣。本文针对本系统的实际情况，详细的介绍了系统中的各模块和实现方法，以及系统功能的全过程。 另外，本文还比较详细的介绍了系统开发工具Visual C++ 6.0,从实现本系统的角度，对涉及的相关内容进行了介绍。通
决策树（ Decision Tree ）又称为判定树，是运用于分类的一种树结构。其中的每个内部结点（ internal node ）代表对某个属性的一次测试，每条边代表一个测试结果，叶结点（ leaf ）代表某个类（ class ）或者类的分布（ class distribution ），最上面的结点是根结点。决策树分为分类树和回归树两种，分类树对离散变量做决策树，回归树对连续变量做决策树。构造决策树是采用自上而下的递归构造方法。决策树构造的结果是一棵二叉或多叉树，它的输入是一组带有类别标记的训
决策树（ Decision Tree ）又称为判定树，是运用于分类的一种树结构。其中的每个内部结点（ internal node ）代表对某个属性的测试，每条边代表一个测试结果，叶结点（ leaf ）代表某个类（ class ）或者类的分布（ class distribution ），上面的结点是根结点。决策树分为分类树和回归树两种，分类树对离散变量做决策树，回归树对连续变量做决策树。构造决策树是采用自上而下的递归构造方法。决策树构造的结果是一棵二叉或多叉树，它的输入是一组带有类别标记的训练数据
