随着信息和科学技术的飞速发展,海量数据的产生,传统的手工处理和分析数据的统计方法已不能满足现实的需求。特别是在大数据时代的今天,数据的数量巨大、结构复杂,传统的处理方法已不能高效的作用于这些数据。在数据时代的今天,拥有数据并合理有效地处理数据,对于一个企业、政府,甚至是整个国家来说都是至关重要的,所以对处理海量数据的研究越来越受到重视。经过几十年的研究,数据挖掘理论已发展成为最重要的数据处理和分析理论,而且已经有了十分广泛的应用。在数据挖掘中决策树分类算法是最为基本且应用最多的分析方法,本文就是在经典ID3算法的基础上进行探讨研究的。主要对训练集和测试集的选取方法、ID3算法中的属性分裂标准这两个方面进行了改进,并用实例进行验证,全文的主要内容如下:1、介绍了数据预处理和预分析的方法和步骤,分类算法的定义和方法,进一步具体阐述了 ID3算法的理论和实现步骤。2、介绍了选取训练集和测试集常用的方法及各种方法的优缺点,并提出了权重分类划分法:首先将所有的样本进行分类,根据属性的主要性和类别比例的大小确定权重,然后根据权重的大小来确定在本类别中所选取样本数,将所有类别中选取的样本组合成训练集,剩余的组合成测试集。3、在经典ID3算法的基础上引入分裂属性的权重,首先将训练集按照类别分组,求每个类别中属性的中心值,然后求这些中心值的标准差,根据各属性的标准差来确定属性的权重。4、分别用ID3算法和改进的ID3算法进行建模,并比较结果发现,改进的ID3算法分类精确度有了明显的提高。本文最后指出了研究的不足之处和需要进一步改进的地方。