C5.0是決策樹模型中的算法，79年由J R Quinlan發展，并提出了ID3算法，主要針對離散型屬性數據，其后又不斷的改進，形成C4.5，它在ID3基礎上增加了隊連續屬性的離散化。 C5.0是C4.5應用于大數據集上的分類算法，主要在執行效率和內存使用方面進行了改進。 C4.5算法是ID3算法的修訂版，采用GainRatio來加以改進方法，選取有最大GainRatio的分割變量作為準則，避免ID3算法過度配適的問題。 C5.0算法則是C4.5算法的修訂版，適用于處理大數據集，采用Boosting方式提高模型準確率，又稱為BoostingTrees，在軟件上計算速度比較快，占用的內存資源較少。 決策樹模型，也稱規則推理模型。通過對訓練樣本的學習，建立分類規則；依據分類規則，實現對新樣本的分類；屬于有指導（監督）式的學習方法，有兩類變量：目標變量（輸出變量），屬性變量（輸入變量）。 決策樹模型與一般統計分類模型的主要區別：決策樹的分類是基于邏輯的，一般統計分類模型是基于非邏輯的。 常見的算法有CHAID、CART、Quest和C5.0。對于每一個決策要求分成的組之間的“差異”最大。各種決策樹算法之間的主要區別就是對這個“差異”衡量方式的區別。