Redigerer Beslutningstre (avsnitt)

=== Induktiv beslutning ved hjelp av eksempler ===

I et eksempelkan en vektorisert variabel x gi informasjon om hvert attributt og danne grunnlag for videre iterasjon av treet. Et slikt eksempelsett kalles gjerne for «treningssett», og ved hjelp av verdiene kan man finne neste node i iterasjonen.

{| class="wikitable"
|-
! Eksempel nr. !! Attributter !! !! !! !! !! !! Goal
|-
!  !! Transport !! Neste avgang !! Temperatur !! Økonomi !! Avstand !! AT !! VilVentePÅ
|-
| X1 || YES || < 10 || Kaldt || OK || Langt || NO || YES
|-
| X2 || YES || < 10 || Kaldt || OK || Kort || NO || NO
|-
| X3 || YES || 10-30 || Komfortabelt || 0 || Langt || YES || NO
|-
| X4 || NO || 0 || Kaldt || OK || Kort || YES || NO
|-
| X5 || YES || > 60 || Varmt || OK || Medium || YES || YES
|-
|}

For å finne neste node i treet kan man bruke [[entropi]], en metode for å finne noe som er målbart gitt en usikkerhet i en tilfeldig variabel. Gitt et datasett '''S''', som inneholder både positive (TRUE/YES) og negative (FALSE/NO) verdier, blir entropien relativ til settet:
:Entropi('''S''') = - p(positive) log² p(positive) - p(negative) log² p(negative)
hvor '''p''' er proporsjonen til positive og negative eksempler i settet delt på det totale antall av eksempler.

I entropikalkylen, hvor 0 log 0, er '''p''' alltid 0.
Entropien  for eksempel '''S''' blir:
:Entropi([2+, 3-]) = -(2/5) log²(2/5) - (3/5) log²(3/5) = 0.970 
:(Dette kan også vises slik: -(2/5)*log(2/5,2)-(3/5)*log(3/5,2))

Entropien gir altså muligheten for å måle tributtens effektivitet, slik at man kan sammenligne de forskjellige attributter og velge den høyeste verdien som grunnlag for neste node.