决策树方法是一种广泛使用的用于分类的方法,它通过一组无次序,无规则的实例推理出决策树表示形式的分类规则,从而找到一些有价值的、潜在的信息。本文通过对数据集和决策树算法的处理和改进来提高预测分类精度和降低时间复杂度。首先,对连续属性离散化算法进行了比较,提出了一种序列区间拆分算法(SISA),该算法先根据决策属性值相同而条件属性值不同划分成不同的区间,然后再将候选断点插入到这些区间,最后在区间范围内的值用不同的离散值表示出来,通过实例可以得出该算法处理过程简单并易于实现。其次,为了除去分类数据中冗余的属性,本文提出了一种基于简化差别矩阵的属性约简算法(SDMAR)。该算法在属性约简之前,先对数据进行了化简,得到简化决策表。根据简化决策表构造差别矩阵,通过计算差别矩阵中属性出现次数达到对决策表属性约简的目的。通过算法及实例分析得到属性约简过程的时间复杂度有所减小。最后,本文提出了一种基于协同进化的决策树分类算法,引入了遗传学中的二进制编码,这样使得交叉、变异等操作便于实现;用一种新的方法去计算适应度。训练数据集二进制编码后,根据特征划分成不同的子集,每个子集分别使用协同进化方法,协同进化过程一直进行下去,直到找到满意的决策树。本文使用C语言对上述算法进行实现,实验表明,本文所提出的算法在解决各自的问题上是有效的,在时间上低于同类算法,预测精度上得到了提高,实现了预期的研究目标。