資料探勘在近年來是非常受矚目的一個名詞,簡單來說,能從極龐大的資料中擷取出重要或有趣訊息的方法即為資料探勘,而它的目的主要概分為分類與預測(classification and prediction)及群集(clustering)兩種,其中決策樹是分類目的中接受度相當高的一種方法,它主要是利用演算法與電腦的便利性將資料受各變數影響的情形以樹狀展現出以達到分類的目的,並解決統計領域在資料量太大時無法全盤分析的問題,然而目前的文獻中幾乎都只對建立決策樹的演算法作探討,事實上當決定演算法後,如何選取分徑屬性與分徑點是一個關鍵,有鑑於此,本研究決定用建樹效率佳的BOAT演算法,再利用挖掘重要關聯規則的方法,將其應用到建立決策樹的分徑指標中,比較各指標包括Gini index、Entropy、λ、Rule interest與Laplace的預測率高低,並且利用它們節點數、最大階層數及平均階層數的不同透視樹的呈現有何異同。