Khai phá cây quyết định là việc học các cây quyết định từ các tuple huấn luyện có nhãn lớp. Cây quyết định là cấu trúc dạng sơ đồ thứ tự, nơi mỗi nút nội部 (nút không phải lá) chỉ ra một kiểm tra trên một thuộc tính, mỗi nhánh định nghĩa một kết quả của kiểm tra, và mỗi nút lá (hoặc nút cuối) mang theo nhãn lớp. Nút cao nhất trong một cây là nút gốc (root node).
Nó định nghĩa khái niệm "mua máy tính", tức là nó dự đoán xem một người dùng tại AllElectronics có khả năng mua máy tính hay không. Nút nội部 được biểu thị bằng hình chữ nhật, và nút lá được biểu thị bằng hình bầu dục. Có nhiều thuật toán cây quyết định chỉ tạo cây nhị phân (mỗi nút nội部 phân nhánh chính xác đến hai nút khác), trong khi những thuật toán khác có thể tạo cây không phải nhị phân.
Cho một tuple X, mà nhãn lớp liên quan là ẩn danh, các giá trị thuộc tính của tuple được kiểm tra đối với cây quyết định. Một đường đi được truy vết từ gốc đến một nút lá, mang theo dự đoán lớp cho tuple đó. Cây quyết định có thể chuyển đổi thành các quy tắc phân loại.
Phát triển bộ phân loại cây quyết định không cần kiến thức miền nào hoặc thiết lập tham số, do đó phù hợp cho khám phá tri thức khám phá.
Cây quyết định có thể xử lý dữ liệu chiều cao. Mô tả của họ về tri thức thu được dưới dạng cây trực quan và thường dễ hiểu bởi con người. Giai đoạn học và phân loại của khai phá cây quyết định đơn giản và nhanh chóng.
Nói chung, bộ phân loại cây quyết định có hiệu quả tốt. Tuy nhiên, việc sử dụng thành công có thể phụ thuộc vào dữ liệu hiện có. Thuật toán khai phá cây quyết định đã được dùng cho phân loại trong nhiều lĩnh vực ứng dụng, bao gồm y học, sản xuất, phân tích tài chính, thiên văn học và sinh học phân tử. Cây quyết định là cơ sở của nhiều hệ thống khai phá quy tắc thương mại.
Trong quá trình xây dựng cây, các biện pháp chọn thuộc tính được dùng để chọn thuộc tính phân vùng tốt nhất các tuple thành các lớp khác nhau. Khi cây quyết định được xây dựng, một số nhánh có thể phản ánh nhiễu hoặc giá trị ngoại lai trong bản ghi huấn luyện. Cắt tỉa cây (Tree pruning) cố gắng nhận diện và loại bỏ các nhánh đó, nhằm cải thiện độ chính xác phân loại trên dữ liệu chưa thấy.
ID3, C4.5, và CART xác nhận một phương pháp tham lam (non-backtracking) trong đó cây quyết định được xây dựng theo phương pháp đệ quy chia để trị từ trên xuống. Một số thuật toán cho khai phá cây quyết định cũng tuân theo phương pháp từ trên xuống, bắt đầu với tập huấn luyện các tuple và nhãn lớp liên quan. Tập huấn luyện được chia đệ quy thành các tập con nhỏ hơn khi cây đang được xây dựng.