C5 là phiên bản hiện tại của thuật toán cây quyết định mà nhà nghiên cứu Úc, J. Ross Quinlan đã phát triển và tinh chỉnh trong nhiều năm. Phiên bản trước, ID3, thiết lập năm 1986, có ảnh hưởng trong lĩnh vực học máy và các kế thừa của nó được dùng trong nhiều dịch vụ khai thác dữ liệu thương mại.
Các cây được C5 tạo ra tương tự những cây được CART cải tiến. Giống như CART, thuật toán C5 trước hết tạo một cây overfit (quá khớp) và sau đó cắt tỉa nó lại để tạo mô hình mạnh mẽ hơn. Phương pháp cắt tỉa phức tạp, nhưng C5 không dùng tập validation để chọn giữa các cây con ứng viên.
Dữ liệu tương tự dùng để tạo cây cũng được dùng để xác định cây phải được cắt tỉa như thế nào. Điều này có thể phản ánh cơ sở của thuật toán trong thế giới học thuật, nơi trước đây các nhà nghiên cứu đại học gặp khó khăn để lấy số lượng lớn dữ liệu thực cho tập huấn luyện. Do đó, họ dành nhiều thời gian và nỗ lực cố gắng vắt chút dữ liệu cuối cùng từ tập dữ liệu nghèo nàn của họ – vấn đề mà người khai thác dữ liệu trong thế giới kinh doanh không gặp.
C5 cắt tỉa cây bằng cách xác định tỷ lệ lỗi tại mỗi nút và xem xét rằng tỷ lệ lỗi thực tế tệ hơn đáng kể. Nếu N bản ghi xuất hiện tại một nút, và E trong số đó được phân loại sai, do đó tỷ lệ lỗi tại nút đó là E/N.
C5 dùng sự tương tự với lấy mẫu thống kê để đưa ra ước lượng chi phí lỗi xấu nhất có thể thấy ở lá. Sự tương tự hoạt động bằng cách nghĩ về thông tin tại lá như định nghĩa kết quả của một chuỗi thử nghiệm mỗi cái có thể có một trong hai kết quả khả thi.
C5 xem xét số lỗi quan sát trên tập huấn luyện là đầu thấp của phạm vi này, và thay thế đầu cao để lấy chi phí lỗi dự báo của lá, E/N trên dữ liệu chưa thấy. Càng thấp nút, càng lớn chi phí lỗi. Khi ước lượng đầu cao của số lỗi tại một nút nhỏ hơn ước lượng cho lỗi của các nút con của nó, do đó các nút con bị cắt tỉa.
Mục tiêu chính của mô hình là tạo dự đoán nhất quán trên dữ liệu chưa thấy trước. Một số quy tắc không đạt được mục tiêu đó nên bị loại bỏ khỏi mô hình. Một số công cụ khai thác dữ liệu cho phép khách hàng cắt tỉa cây quyết định thủ công.
Đây là cơ sở hữu ích, nhưng có thể mong đợi phần mềm khai thác dữ liệu hỗ trợ cắt tỉa dựa trên độ mạnh tự động như một tùy chọn. Ứng dụng như vậy cần có yếu tố ít chủ quan hơn cho việc từ chối một phân nhánh là "phân phối kết quả tập validation trông khác với phân phối kết quả nhóm huấn luyện".