信息技术的快速发展使社会各行各业都拥有了大量的数据，对大量数据进行分析处理，挖掘出其中隐藏的有价值知识意义重大。数据挖掘正是在这样的时代需求下产生并迅速发展起来的一门技术。分类是数据挖掘的其中一个重要的分支，它能够对各个行业提供良好的决策支持。决策树算法在数据分类领域占有重要的地位。但是所获得的数据中，有大量的数据具有不确定性的特点，经典的面向确定性数据的决策树算法无法从这类数据中挖掘出相应的信息，如何将面向确定性数据的决策树算法扩展为面向不确定性数据的决策树算法已经成为数据挖掘热点研究方向之一。本文针对不确定性数据的决策树算法展开了研究。
　　在进行数据分类之前，一个必不可少的步骤就是对数据进行预处理。本文根据不确定性数据的特点建立起以概率密度函数为基础的不确定性数据的数学模型，以此数学模型为前提选取与算法相适应的数据预处理方法实现数据预处理的过程，并将这个过程形成一个完整的体系，即按照数据筛选、剔除异常值、分布标准化以及测量误差修正和误差处理这个过程完成对待分类的数据集进行预处理，使之能够更好地适用于面向不确定性数据的决策树算法。
　　在决策树的构建过程中，属性选择和分裂点计算是决策树构建的核心工作。在属性选择的过程中，根据所建立的数学模型的特点引入了数据可视化的思想，并结合经典决策树的属性选择算法，提出了基于可视化的面向不确定性数据集的决策树算法，通过统计学的方法进行分裂点的计算，从数据的整体考虑均值与方差，不需要对连续值进行额外的处理。在分裂点计算的过程中，以不确定性数据分布的概率密度函数为基础，分别针对概率密度函数曲线无重叠区域和有重叠区域，提出了基于概率密度函数的分裂点计算方法，使决策树算法能够适用于不同特点的不确定性数据。
　　仿真分析验证了算法所提出的基于可视化的面向不确定性数据集的决策树算法的可行性，本方法可以处理不确定性连续数据，而且对于存在缺失值的数据集具有一定的鲁棒性。