决策表：

决策表又称判断表，是一种呈表格状的图形工具，适用于描述处理判断条件较多，各条件又相互组合、有多种决策方案的情况。

在所有的功能性测试方法中，基于决策表的测试方法被认为是最严格的，因为决策表具有逻辑严格性。

不同于传统程序语言中的控制语句，决策表能将多个独立的条件和多个动作直接的联系清晰的表示出来。

决策表是分析和表达多逻辑条件下执行不同操作的情况的工具。在程序设计发展的初期，决策表就已被用作编写程序的辅助工具了。它可以把复杂的逻辑关系和多种条件组合的情况表达得比较明确。方便程序员无需知道背后复杂的逻辑关系就能看出动作对应的状态。

决策表一般分为4个部分。 每个条件对应一个变量、关系或预测：

● 条件桩(Condition stub)：列出了问题的所有条件，通常认为列出的条件的次序无关紧要。

● 动作桩(Action stub)：列出了问题规定可能采取的操作，这些操作的排列顺序没有约束。

● 条件项(Condition entry)：列出针对它所列条件的取值，在所有可能情况下的真假值。

● 动作项(Action entry)：列出在条件项的各种取值情况下应该采取的动作。

规则：决策表根据候选条件和动作入口的表现方法的变化而变化。有些决策表使用true/false作为候选条件值，有些使用数字，有些甚至使用模糊值或概率值。任何一个条件组合的特定取值及其相应要执行的操作。在决策表中贯穿条件项和动作项的一列就是一条规则。显然，决策表中列出多少组条件取值，也就有多少规则，条件项和动作项就有多少列。

决策表示例：

 

决策树：

决策树是一种逻辑简单的机器学习算法，它是一种树形结构，所以叫决策树。

在已知各种情况发生概率的基础上，通过构成决策树来求取净现值的期望值大于等于零的概率，评价项目风险，判断其可行性的决策分析方法，是直观运用概率分析的一种图解法。

决策树的生成算法有ID3, C4.5和C5.0等。决策树的树形结构中的每个内部节点表示一个属性上的判断，每个分支代表一个判断结果的输出，最后每个叶节点代表一种分类结果。

决策树由下面三种元素构成：

● 根节点：包含样本的全集。
● 内部节点：对应特征属性测试。
● 叶节点：代表决策的结果。

决策树应用举例：

给出如下的一组数据，一共有十个样本，每个样本有分数，出勤率，回答问题次数，作业提交率四个属性，最后判断这些学生是否是好学生。最后一列给出了人工分类结果。

 

然后用这一组附带分类结果的样本可以训练出多种多样的决策树：

样式1：

 样式2：