決定木（Decision Tree）は、さまざまな状況の発生確率が既知である場合に、決定木を構築して純現在価値の期待値がゼロ以上となる確率を求め、プロジェクトリスクを評価し、その実行可能性を判断するための意思決定分析手法です。これは直感的な確率分析を図解で表現する方法であり、この意思決定の分岐をグラフィックに描くと木の枝のように見えるため、「決定木」と呼ばれます。機械学習において、決定木は予測モデルを表し、オブジェクトの属性とその値間のマッピング関係を表現します。「エントロピー = システムの乱雑さ」であり、ID3、C4.5、およびC5.0アルゴリズムを使用して木を生成する際にはこのエントロピーが使用されます。この尺度は情報理論におけるエントロピーの概念に基づいています。

決定木は、各内部ノードが属性に対するテストを表し、各分岐がテスト結果を示し、各葉ノードがカテゴリを表すツリー構造です。分類木（決定木）は非常に一般的な分類方法であり、教師あり学習の一形態です。教師あり学習とは、与えられたサンプル群があり、それぞれのサンプルが一組の属性と一つのクラスを持つ場合、これらのクラスは事前に確定されており、学習を通じて分類器を得ることで新しいオブジェクトを適切に分類できるようにすることを指します。このような機械学習は「教師あり学習」と呼ばれます。