决策树是机器学习中较为常用的一种算法,是一种强大的分类器。决策树的基本原理是利用树形结构对特征属性以及潜在结果之间的关系建立起的模型。与神经网络,支持向量机不同,利用决策树进行建模后,预测模型容易理解,预测结果容易解释,并且对缺失值及变量的分布不敏感,因此几乎能够在任何类型的数据集上进行建模,被广泛的应用于个人信用评估、医学诊断、自然语言处理等各个领域。在实际问题中拟合模型时,要考虑犯不同类型错误时的代价,并且寻找方法对模型进行优化。在本文中采用决策树拟合模型,主要采用的基本算法为C5.0算法及CART算法,并对每种算法分别加入Boosting增强算法提高模型性能。在传统的比较模型性能时,往往采用的方法为比较模型的准确率或者错误率。但是在实际问题中,比较不同模型的性能时,不能单纯比较模型在测试集上准确率,测试集的选取有一定偶然性,并且只比较模型的准确性对于有犯错代价的问题时,不足以说明模型性能的好坏。因此本文采用模型的灵敏度作为样本,并通过假设检验方法来进行模型的比较。由于各组样本之间不独立,因此在比较多组模型的灵敏度时,采用Friedman非参数假设检验方法来比较模型的性能,检验结果显示各组样本之间存在显著差异。在比较两种模型的性能时,由于样本不独立,但样本均通过正态性检验,因此采用t检验方法进行两两样本之间的比较;两两样本的比较检验结果表明带有代价矩阵的C5.0算法模型灵敏度最优,能够最好的正确分类潜在客户,为银行业务指标的达成,提供最有效的指导。