对于逻辑或数学中的问题，依据一种能行的方法，作出“是”或“否”的明确回答，这一过程，称为判定。在计算机科学中，判定程序是指对研究对象作出属于哪个域（属性）或对研究对象的是否好坏作出明确回答的程序。判定程序在很多领域都有应用，例如分类、识别问题。

判定程序是指对研究对象作出属于哪个域（属性）或对研究对象的是否好坏作出明确回答的程序。判定程序有很多种，一般与具体应用有关。例如测试计算机性能的基准程序就是一个判定程序；又如机器学习或深度学习中，分类器就是一个判定程序。

对于逻辑或数学中的问题，依据一种能行的方法，作出“是”或“否”的明确回答，这一过程，称为判定。所谓能行方法，包括两个要点：第一，有限，即一个判定，必须在有限步内完成;第二，机械，即判定程序的每一步，都有明确的规则作为依据。这个术语特别用于这样的求解步骤，在一个特定的形式系统中，某个特定的公式能否证明为该系统的一个定理。

基准程序是用来测量计算机处理速度的一种实用程序，以便于被测量的计算机性能可以与运行相同程序的其它计算机性能进行比较。具有快速处理器的计算机在基准程序上性能极佳，但如果计算机配备的是慢速硬盘及缺少大量存储器，其性能会令用户失望。按基准程序的构造特点可以把它划分成四类，即：核心程序、小基准程序、合成基准程序以及基准测试程序组。

核心程序

核心程序是从真实程序中抽取的具有代表性的最耗时的程序段汇集而成的，它们的代码很短，但是非常关键。Livermore Loops及LINPACK是两种最常见的核心程序。LINACK用FORTRAN语言编写，主要是进行浮点加法和浮点乘法的操作。这些代码的执行时间直接影响到程序总的响应时间。用户不会直接使用核心程序，因为它的功能仅仅是用来测试计算机性能。核心程序可以根据需要来评价机器的各种性能，从而解释在运行真实程序时机器性能不同的原因。

小基准程序

小基准程序代码一般在100行以内。用户可以随时缩写一些这样的程序来测试系统的各种功能，并产生用户已预知的输出结果。通常选取实际应用中具有代表性的求解算法构成这一类基准程序，如皇后问题、迷宫问题、快速排序、求素数等，这类流行的测试程序都具有短小、易输入、通用等特点，最适于作一些基本测试。

合成基准程序

合成基准程序是人为合成的测试程序。首先要对大量应用程序中的操作进行统计，得到各种操作所占的比例，再按这个比例人为地写出测试程序。Whetstone与Dhrystone是最流行的合成基准程序。在操作类型和操作数类型这两个方面，合成基准程序试图保持与大量程序中的比例一致。用户不会自己产生合成基准程序，因为其中没有任何用户能够使用的代码。合成基准程序完全是人为制造出来的，与实际应用相差更远。其中整数测试程序是Dhrystone用C语言编写的，共有100条语句，它包括：各种赋值语句、数据类型和数据区、控制语句，过程调用和参数传送、整数运算和逻辑操作。Whetstone基准测试程序是用FORTRAN语言编写的综合性测试程序，主要包括：浮点运算、整数算术运算、功能调用、数组变址、条件转移、超越函数。

基准测试程序组

基准测试程序组就是一组各个方面有代表性的基准程序组成的一个通用基准程序集合。这个基准程序的集合称为基准程序组(benchmark suites)，它的最大优点是避免了独立基准程序存在的片面性，尽可能全面地测试了一个计算机系统的性能，因此对计算机系统设计有比较大的指导意义。

分类是数据挖掘的一种非常重要的方法。分类的概念是在已有数据的基础上学会一个分类函数或构造出一个分类模型（即我们通常所说的分类器(Classifier)）。该函数或模型能够把数据库中的数据纪录映射到给定类别中的某一个，从而可以应用于数据预测。总之，分类器是数据挖掘中对样本进行分类的方法的统称，包含决策树、逻辑回归、朴素贝叶斯、神经网络等算法。

决策树分类器

提供一个属性集合，决策树通过在属性集的基础上作出一系列的决策，将数据分类。这个过程类似于通过一个植物的特征来辨认植物。可以应用这样的分类器来判定某人的信用程度，比如，一个决策树可能会断定“一个有家、拥有一辆价值在1.5 万到2.3 万美元之间的轿车、有两个孩子的人”拥有良好的信用。决策树生成器从一个“训练集”中生成决策树。SGI 公司的数据挖掘工具MineSet 所提供的可视化工具使用树图来显示决策树分类器的结构，在图中，每一个决策用树的一个节点来表示。图形化的表示方法可以帮助用户理解分类算法，提供对数据的有价值的观察视角。生成的分类器可用于对数据的分类。

选择树分类器

选择树分类器使用与决策树分类器相似的技术对数据进行分类。与决策树不同的是，选择树中包含特殊的选择节点，选择节点有多个分支。比如，在一棵用于区分汽车产地的选择树中的一个选择节点可以选择马力、汽缸数目或汽车重量等作为信息属性。在决策树中，一个节点一次最多可以选取一个属性作为考虑对象。在选择树中进行分类时，可以综合考虑多种情况。选择树通常比决策树更准确，但是也大得多。选择树生成器使用与决策树生成器生成决策树同样的算法从训练集中生成选择树。MineSet 的可视化工具使用选择树图来显示选择树。树图可以帮助用户理解分类器，发现哪个属性在决定标签属性值时更重要。同样可以用于对数据进行分类。

证据分类器