شهروز شهریاری - کارشناس ارشد رشته آمار دانشگاه پیام نور واحد شیراز
عبدالرضا بازرگان لاری - استادیار و عضو هیئت علمی دانشگاه پیام نور واحد شیراز
نرگس عباسی - دانشیار و عضو هیئت علمی دانشگاه پیام نور واحد شیراز

با توجه به حجم بالای اطلاعات در بانک های داده و یافتن اطلاعات مفید و مناسب در بانک های اطلاعاتی ضرورت وجود ابزارو روشی برای پردازش و طبقه بندی داده های ذخیره شده و نمایش اطلاعات مفید وجود دارد. یادگیری درخت تصمیم یکی از پرکاربردترین وکارامدترین متدهای یادگیری استقرایی برای پردازش داده ها می باشد. این متد یادگیری برای توابع گسسته مقادیر باداده های خطادار به کار میرود. درخت تصمیم گیری برخلاف روش هایی مانند شبکه های عصبی که چگونگی عملکرد خود راارائه نمی کنند ، پیش بینی خود را در قالب قوانینی که از نظر پارامترهای آماری برازش مناسبی ارایه میکند. درختان تصمیم قادر بهتولید توصیفات قابل درک برای انسان، از روابط موجود در یک مجموعه داده ای هستند و می توانند برای وظایف دسته بندی وپیش بینی بکار روند. هدف از این مطالعه نشان دادن روش یادگیری درخت تصمیم گیری به عنوان روشی مناسب و قوی برای دادههایی با حجم بالا و یا ناقص بوده است. روشی که به موفقیت قابل توجه ایی در سیستم های تجاری دست یافته است.

درخت تصمیم گیری، پردازش ، داده ها ، الگوریتم