نمونه اي از درخت تصميم گيري

درخت تصميم در شکل بالا مفهوم buys_computer را نشان مي‌دهد ، اينکه آيا يک مشتري در يک فروشگاه لوازم الکترونيکي علاقمند به خريد کامپيوتر است يا خير ؟ همانطور که در شکل ديده مي شود اين درخت داراي دو برچسب کلاس متمايز در برگهاي خود است که yes  و no مي باشند .

نحوه استفاده از درخت تصميم گيري به اين صورت است : اگر تاپلي چون X که برچسب کلاس آن نامشخص است داشته باشيم صفات اين تاپل در درخت مورد آزمون قرار مي گيرند و يک مسير از ريشه به سمت يک برگ که برچسب يک کلاس را دارد ايجاد مي شود .

عملکرد الگوريتم فوق به شرح ذيل است :
•    الگوريتم با پارامترهاي D ، attribute_list ، Attribute_selection_method فراخواني مي‌شود . D در واقع يک بخش  داده‌اي است . در ابتدا D شامل مجموعه آموزشي و برچسب کلاس‌هاي متناظر با آنها است . attribute_list ليستي از صفات موجود در تاپل‌ها است .  Attribute_selection_methodيک روال ابتکاري  است که بهترين صفت را براي جداکردن تاپل‌ها براساس کلاس ها مي‌دهد . اين متد از يک معيار انتخاب صفت مانند information gain يا gini index استفاده مي کند که در ادامه شرح داده مي شود .  
•    درخت در گام اول با يک گره تنهاي N که مجموعه آموزشي را نشان مي دهد ايجاد مي شود .
•    اگر تاپل‌هاي D همه از يک کلاس باشند گره N يک برگ خواهد بود و با آن کلاس برچسب مي خورد ( گام 2 و 3 ) . گام 4 و 5 شرايط خاتمه هستند که در ادامه شرح داده مي شوند  . 
•    در غير اين صورت Attribute_selection_method فراخواني مي‌شود تا معيار شکاف  را مشخص کند . معيار شکاف مشخص مي‌کند که کدام صفت بايد در گره N مورد آزمون قرار گيرد . معيار شکاف همچنين بيان مي‌کند که چه شاخه‌هايي بايد از گره N با توجه به آزمون مربوطه ، خارج شوند . به عبارت ديگر معيار شکاف ، صفت يا نقطه شکاف را تعيين مي‌کند . نقطه شکاف ، D را به يکسري بخش تبديل مي‌کند . اين بخش ها بايد تا حد ممکن خالص  باشند به اين معني که همه تاپل هاي موجود در يک بخش بايد مربوط به يک کلاس باشند .