Teraz podczas cofania się po drzewie do korzenia wypełniamy kolejno wszystkie węzły:
Optymalna ścieżka decyzji jest wyznaczona przez największe wartości oczekiwane.
W podanym przykładzie z obliczeń wynika, że Leszek powinien poszukać taksówki i dać taksówkarzowi napiwek.
Drzewa decyzyjne w uczeniu maszynowym Drzewa decyzyjne w uczeniu maszynowym służą do wyodrębniania wiedzy z zestawu przykładów (patrz eksploracja danych). Zakładamy, że posiadamy zestaw przykładów: obiektów opisanych przy pomocy atrybutów, którym przyporządkowujemy jakąś decyzję (patrz tabela decyzyjna).
Przykład Chcemy zautomatyzować proces przyjmowania kandydatów na praktyki w dużej firmie. Posiadamy setki przykładów z przeszłości, chcemy wydobyć z nich reguły decyzyjne. Atrybuty Wykształcenie, Języki obce, Doświadczenie i Ogólne wrażenie są kodowane skalą od 1 do 5.
Wiek Płeć Wykształcenie Języki obce Doświadczenie Ogólne wrażenie Przyjęty25m2414nie22k4342nie21m4554tak29m1323nie
Na podstawie tabeli decyzyjnej tworzymy drzewo, którego węzłami są poszczególne atrybuty, gałęziami wartości odpowiadające tym atrybutom, a liście tworzą poszczególne decyzje.