分类问题是机器学习领域最重要的学习问题之一,而决策树学习算法又是一种典型的分类学习算法。近几年来,对离散值和连续值属性决策树学习算法的研究和改进都已经取得了很大的进展。对于连续值属性的决策树学习算法,学者们提出了多种不同的属性选取标准,但到目前为止,这些选择标准只是处于分析各自的优缺点、比较优劣性的阶段,而没有对多种属性选择标准的共性进行研究。基于此研究现状,本论文主要做了以下三方面的贡献:本文首先根据已有的决策树属性选取标准—信息熵和Gini-Index所共有的特性,给出了一般广义熵函数的定义,并在此基础上提出了一种新的基于分割一般广义熵的连续值属性的决策树属性选取标准。其次,针对连续值属性决策树产生过程中计算的时间复杂度较大的缺点,我们引入了非平衡割点的概念,并通过严格的数学证明给出割点和非平衡割点的关系,即使分割一般广义熵极小化的割点一定是非平衡割点。这一结论表明在连续值属性决策树的产生过程中,平衡割点处的分割一般广义熵不需要计算。理论和实验分析均表明,对于那些训练规模较大,属性取值较多并且平衡割点相对较多的数据集来说,非平衡割点的引入大大减少了分割一般广义熵的计算次数,提高了算法的效率。最后,运用数理统计中假设检验的方法证明了用一般广义熵函数作为决策树的属性选择标准进行建树,在一定的显著性水平下,它们对数据集的扩展能力没有显著差异。