数据库内容丰富，蕴藏大量的信息，可以用来作出职能的商务决策。分类和预测是两种数据分析形式，可以用来提取描述重要数据类的模型和预测未来的数据趋势。
数据分类（data classfication）是一个两步过程。
第一步，建立一个模型，描述预定的数据类集或概念集。通过分析由属性描述的数据元组来构造模型。假定每个元组属于一个预定义的类，由一个称作类标号属性（class label atrribute）的属性确定。对于分类，数组元组也称作样本、实例或对象。为模型建立而被分析的数据元组形成训练数据集合。训练数据集中的单个元组称为训练样本，并随机地由样本群选取。由于提供了每个训练样本的类标号，该步也称为有指导/监督的学习（即模型的学习在被告知每个训练样本属于哪个类的“指导”下进行）。它不同于无指导的学习，那里每个训练样本的类标号是未知的，要学习的类集合或数量也可能事先不知道。
第二步，使用模型进行分类。首先评估模型的预测准确率。如果模型的准确率根据训练数据集评估，评估的结果可能是乐观的。因此，我们需要选择独立于训练集的测试样本集去评估模型的准确率。如果认为模型的准确率可以接受，就可以用它对类标号未知的数据元组或对象进行分类。
分类和预测具有广泛的应用，包括信誉证实、医疗诊断、性能预测和选择购物等。以下介绍一种数据分类的基本技术，决策树分类模型。
1. 什么是决策树
1.1 决策树的定义
决策树（decision tree）是一个类似于流程图的树结构，其中每个内部节点表示在一个属性上的测试，每个分支代表一个测试输出，而每个树节点代表类或者类分布。树的最顶层节点是根节点。我们可以用下图表示一棵典型的决策树模型。以下这棵决策树用来预测顾客是否购买计算机。
以上决策树示例可以得出几组规则，其中一组为：“Age <= 30”且"不是student"，则可以推测出：该顾客不可能购买计算机。决策树很容易转换为分类规则。
1.2 决策树的特点
决策树算法本身的特点使其适合进行属性数（特征数）较少情况下的高质量分类，因而适用于仅仅利用主题无关特征进行学习的关键资源定位任务。
决策树算法的核心问题是选取在树的每个节点即要进行测试的属性，争取能够选择出最有助于分类实例的属性。为了解决这个问题，ID3算法引入了信息增益的概念，并使用信息增益的多少来决定决策树各层次上的不同节点，即用于分类的重要属性。
1.3 决策树的优缺点
优点：
（1）可以生成可以理解的规则；
（2）可以处理多种数据类型；
（3）计算量相对来说不是很大；
（4）决策树可以清晰的显示哪些字段较为重要；
缺点：
（1）对连续性的字段比较难预测（C4.5改进了这个缺点）
（2）有时间顺序的数据，要很多预处理工作；
（3）当类别太多时，错误可能会增加的很快；
针对”对连续性的字段比较难预测“的缺点，C4.5很好的解决了这个问题，并且对决策的剪枝有很好的改进。因此，针对属性维度较少的情况下用ID3的准确率好且效率高，所以具体要根据训练数据集的特点来选择算法。
本文引自：http://www.taobaotest.com/blogs/qa?bid=3467