分类是一种预言模型技术,是数据挖掘的重要内容之一,在许多领域应用广泛,研究数据分类对数据挖掘技术意义重大。本文总结了分类的相关内容。在众多的分类算法中,决策树算法以其快捷、简单、准确、方便等特点在海量数据环境中应用最为广泛。本文总结了决策树算法的相关内容。决策树算法中,SPRINT算法因为具有良好的伸缩性、加速性和扩容性,以及易于实现并行化等优点,成为了数据挖掘中的优秀算法之一。本文提出了一种通过改变SPRINT算法中属性列表的数据结构来提高建树速度的新方法。实验表明:改进的算法减少了属性列表占用的存储空间以及分割节点操作所需的时间,能在一定程度上有效地提高SPRINT算法的建树速度。分布式数据挖掘是数据挖掘技术与分布式计算的有机结合,主要用于分布式环境下的数据模式发现。将决策树分类算法应用于分布式数据挖掘中,有利于数据挖掘技术在当前分布式数据环境中更好的应用和发挥。本文研究了改进SPRINT算法在分布式环境下的工作过程,进一步研究与实现了基于元学习同构分布式环境下的改进SPRINT算法。实验表明:基于元学习的算法实现结果与集中式环境下的结果大致相同,具有一定的准确性,并且与集中式环境下的实现相比在一定程度上提高了建树速度,提高了分布式环境的利用率。