決策樹(Decision Tree)常用於研究類別歸屬和預測關系的模型，比如是否抽煙、是否喝酒、年齡、體重等4項個人特征可能會影響到‘是否患癌癥’，上述4項個人特征稱作‘特征’，也即自變量（影響因素X），‘是否患癌癥’稱為‘標簽’，也即因變量（被影響項Y）。決策樹模型時，其可首先對年齡進行劃分，比如以70歲為界，年齡大於70歲時，可能更容易歸類為‘患癌癥’，接著對體重進行劃分，比如大於50公斤為界，大於50公斤時更可能劃分為‘患癌癥’，依次循環下去，特征之間的邏輯組合後（比如年齡大於70歲，體重大於50公斤），會對應到是否患癌癥這壹標簽上。
決策樹是壹種預測模型，為讓其有著良好的預測能力，因此通常需要將數據分為兩組，分別是訓練數據和測試數據。訓練數據用於建立模型使用，即建立特征組合與標簽之間的對應關系，得到這樣的對應關系後（模型後），然後使用測試數據用來驗證當前模型的優劣。通常情況下，訓練數據和測試數據的比例通常為9:1,8:2,7:3,6:4或者5:5（比如9:1時指所有數據中90%作為訓練模型使用，余下10%作為測試模型好壞使用）。具體比例情況似研究數據量而定無固定標準，如果研究數據較少，比如僅幾百條數據，可考慮將70%或者60%，甚至50%的數據用於訓練，余下數據用於測試。上述中包括模型構建和模型預測兩項，如果訓練數據得到的模型優秀，此時可考慮將其進行保存並且部署出去使用（此為計算機工程中應用，SPSSAU暫不提供）；除此之外，當決策樹模型構建完成後可進行預測，比如新來壹個病人，他是否會患癌癥及患癌癥的可能性有多高。
決策樹模型可用於特征質量判斷，比如上述是否抽煙、是否喝酒、年齡、體重等4項，該四項對於‘是否患癌癥’的預測作用重要性大小可以進行排名用於篩選出最有用的特征項。
決策樹模型的構建時，需要對參數進行設置，其目的在於構建良好的模型（良好模型的標準通常為：訓練數據得到的模型評估結果良好，並且測試數據時評估結果良好）。需要特別註意壹點是：訓練數據模型評估結果可能很好（甚至準確率等各項指標為100%），但是在測試數據上評估結果確很糟糕，此種情況稱為‘過擬合’。因而在實際研究數據中，需要特別註意此種情況。模型的構建時通常情況下參數設置越復雜，其會帶來訓練數據的模型評估結果越好，但測試效果卻很糟糕，因而在決策樹構建時，需要特別註意參數的相關設置，接下來會使用案例數據進行相關說明。
決策樹模型的原理上，其第1步是找出最優的特征和其分割點，比如影響是否患癌癥的特征最可能是年齡，並且分割點可能是70歲，小於70歲可能歸為‘不患癌癥’，70歲及以上可能歸為‘患癌癥’。此第1步時會涉及到2個專業名詞，分別是‘節點分裂標準’和‘節點劃分方式’。第2步是找出次優的特征和其分割點，繼續進行拆分。壹直循環下去。
關於決策樹模型時，通常涉及到以下參數值，如下：
節點分裂標準：其指模型找到特征優先順序的計算方式，***有兩種，分別是gini系數和entropy系數，二者僅為計算標準的區別功能完全壹致，壹般情況下使用gini系數。
SPSSAU的操作如下：