归学习是机器学习最主要的分支,其主要目的是从大量的数据中归纳出知识规则)用于预测新观察到事例的类别。决策树归纳是归纳学习的一种。由于NP困难,寻找最优的决策树是不现实的,从而探索各种启发式算法去产生一个高精度的决策树变成了这类研究的焦点。考虑到支持向量机(SVM)的分类间隔与泛化能力的关系,可以使用SVM的最大间隔作为生成决策树的启发式信息,使得决策树有较强的泛化能力。本课题基于统计学习理论和支持向量机,对小样本下的最大margin的决策树归纳学习系统进行了研究。本文在深入分析支持向量机及其反问题的基础上,针对实值型数据,提出了种基于最大margin的决策树归纳算法。首先,对支持向量机基本问题及其快速求解算法进行了探讨,在此基础上讨论了支持向量机反问题及其求解,给出了利用聚类求解支持向量机反问题的算法。然后,给出了用最大margin乍为启发式来生成决策树的设计思想：在生成决策树过程中,通过求解SVM反问题来划分结点。最后,给出了实验过程,与用熵作启发式的二叉决策树的比较结果表明了本文算法的有效性。