分类挖掘在商业等领域中的广泛应用使它成为数据挖掘中最活跃的研究方向。其中,决策树以其出色的数据分析效率、直观易懂等特点,倍受青睐。现有的决策树主要是集中在利用各种启发信息来度量属性的重要程度,或利用各种策略对决策树进行剪枝。但是很多情况下,数据所包含的原始属性或者存在冗余,或者涵盖的信息量不足,这无疑影响了决策树的构建。本文以原始数据涵盖信息量不足为出发点,利用经典的关联规则算法Apriori,首先生成新的属性,然后借鉴信息增益的思想,并利用关联规则挖掘的参数支持度和可信度,提出了新属性的评价标准,找出高可信度近似精确规则。将新属性加入到数据的原始属性中,再利用决策树C4.5算法进行分类预测,从而提高了算法预测的准确率。但Apriori算法存在验证候选频繁k_项集时需要对整个数据库进行扫描,非常耗时的缺陷;同时决策树C4.5算法在连续值属性离散化过程中,需要对所有的划分进行测试,也占用了较多的时间。为了避免在提高算法准确率的同时牺牲了算法的效率。本文基于Fayyad和Irani的证明:无论用于学习的数据集有多少种类别,其类别的分布如何,连续值属性的最佳划分点总是在边界点处;对决策树C4.5算法的连续值属性离散化过程进行了改进。通过UCI数据库中包含连续值属性较多的15个数据库中数据的测试实验,从算法复杂度、算法效率、算法准确性三个方面对C4.5算法和改进的C4.5算法进行了比较,证实改进的C4.5算法降低了算法的复杂度,提高了算法的准确性,且没有牺牲算法的效率。本文最后将改进的C4.5算法应用于航空业客户流失预测中,通过与C4.5结果的比较,进一步说明改进的C4.5算法具有很高的实用价值。