在解决分类问题的各种方法中,决策树方法是运用最广泛的一种。但是由于C4.5算法的对连续属性进行离散化处理时易出现的一些问题,即基于熵的离散化算法(EBD),致使不具备较好的易操作性。针对此问题,在博弈演化思想的启发下,对EBD算法进行了改进,提出了基于博弈论的离散化算法,即将离散化过程视作博弈演化的过程,经过不断的演化达到较为满意的均衡解,并根据实际问题适当的优化算法的计算复杂性,使其较为实用。离散化过程中所建立的博弈模型,其纯策略nash均衡,即为离散化的全局最优解,对于求解过程,第四章提出了一种新的搜索策略。其特点在于一是在遍历开始之前选择较优的遍历策略,二是通过遍历过程得到的信息来动态调整遍历策略空间,三是尽可能缩小遍历空间。这样在求解nash均衡时会降低系统的时间开销。为了尽可能减少算法的计算量,本文对算法进行了一定的优化,并进行了实验验证。由于并非所有的离散化所转化的博弈模型都存在全局nash均衡解,为了防止博弈演化进入无限循环,要根据情况定义演化的停止准则,同时对离散化的结果进行初步评估,从而获得较为满意的结果,为分类算法提供高质量的数据基础。本文实验分两个部分,其一是将所提的nash均衡求解算法,与几个经典的求解算法进行对比,说明该算法具有较好的收敛效果;其二是将本文提出的离散化的算法与EBD算法进行多方面对比,说明该算法具有较好的有效性。实验结果表明,与EBD算法相比,改进后的算法不仅保持简单性、一致性和精确性,而且容易操作。