分类回归树(CART)算法在处理特征类别较多的数据以及相关性较强的数据集时,分类准确率也会受到影响,并且没有学者研究进行特征选择后的CART算法来分类医学数据集。同时,有学者将贝叶斯理论与CART相结合用于分类数据集,主要利用先验概率来和分裂准则来规范树模型的大小,在分类的过程中对精确度有一定的影响。传统的先验规范有一定的缺陷,而且这些方法的研究已经趋于成熟。在此基础上,找到一个合适的先验概率和分裂准则更有利于提高基于贝叶斯理论的CART分类算法的性能。因此,本文在特征选择算法的基础上进一步改进CART算法的分类性能来正确分类数据集。首先,对于类别较大的乳腺癌数据集,为了节约计算成本,提高算法的分类准确率,比较了CART算法基于不同特征选择算法下的分类准确率;对最高分类准确率附近的准确率进行拟合,得出在最优特征子集附近,CART算法的准确率近似服从泊松分布。其次,证明了熵与基尼指数相似,将熵作为CART算法的分裂标准;根据分类准确率受特征数的影响,提出了一种重要性特征先验概率;在贝叶斯理论框架下,给出了一种基于重要性特征先验的Bayesian CART算法,通过证明最大后验概率对应于最小熵,给出了选择树的标准。最后,建立了基于重要性特征先验的Bayesian CART算法的分类模型,并且在乳腺癌数据集和肝炎数据集上进行分类;通过与CART算法和基于特征选择的CART算法进行比较,得到了基于重要性特征先验的Bayesian CART算法具有更好的分类准确率。