預剪枝：是在決策樹的生成過程中，對每個結點在劃分前先進行估計，若目前結點的劃分不能帶來決策樹泛化性能提升，則停止劃分即結束樹的建構并将目前節點标記為葉結點；
後剪枝：是先從訓練集生成一棵完整的決策樹，然後自底向上地對葉結點進行考察，若将該結點對應的子樹替換為葉結點能帶來決策樹泛化為性能提升，則将該子樹替換為葉結點。泛化性能的提升可以使用交叉驗證資料來檢查修剪的效果，通過使用交叉驗證資料，測試擴充節點是否會帶來改進。如果顯示會帶來改進，那麼我們可以繼續擴充該節點。但是，如果精度降低，則不應該擴充，節點應該轉換為葉節點。
1. 預剪枝
下表為西瓜資料集
以資訊增益準則來進行屬性選擇，從上表資料可以得到一棵決策樹，如下圖1所示：
這是未剪枝的決策樹，以屬性“臍部”來對訓練集進行劃分時，産生3個分支凹陷、稍凹，平坦，然而是否應該進行這個劃分呢？預剪枝要對劃分前後的泛化性能進行評估。
劃分前，所有樣例集中在根結點，若不進行劃分，該結點被标記為葉結點，其類别标記為訓練樣例數最多的類别，若将該結點标記為“好瓜”。用上表中的驗證集對這個單結點決策樹進行評估，樣例（4,5,8）被正确分類，另外的4個樣例（9,11,12,13）分類錯誤，可得驗證集上的精度為
若用屬性“臍部”劃分之後，三個結點分别包含訓練樣例（1,2,3,14）、（6,7,15,17）、（10,16）
三個結點分别被标記為葉結點“好瓜”、“好瓜”、“壞瓜”，此時驗證集中的樣例（4,5,8,9,13）被分類正确，驗證精度，于是應該用“臍部”進行劃分。
然後，決策樹算法應該對藍色結點進行劃分，基于資訊增益準則以“色澤”作為劃分屬性。使用色澤劃分後，編号為9的驗證集樣本分類結果由正确轉為錯誤，驗證集下降為57.1%，故預剪枝測量将禁止藍色結點2的被劃分。
對于結點3，最優劃分屬性為“根蒂”，劃分後驗證集精度仍為71.4%。這個劃分不能提升驗證集精度，故預剪枝測量将禁止結點3的被劃分。
對于結點4， 其所含訓練樣例已屬于同一類，不再進行劃分。
預剪枝使得很多決策樹的很多分支沒有展開，降低了過拟合的風險，同時顯著減少了決策樹的訓練時間開銷和預測時間開銷。但是，另一方面，有些分支的目前劃分雖不能提升泛化性能、甚至可能導緻泛化性能暫時下降，但是在其基礎上進行的後續劃分卻有可能帶來性能顯著提升。預剪枝 是一種“貪心”政策，這給預剪枝帶來了欠拟合的風險。、
2. 後剪枝
後剪枝先生成一顆完整的決策樹，由圖1可知，該決策樹的驗證精度為42.9%。現在自底向上地對葉結點進行考察，先看結點6，若将該分支剪去，則6變為葉結點，替換後葉結點包含編号（7,15）訓練樣本，該葉結點被标記為好瓜，此時決策樹的驗證精度提高至57.1%，于是後剪枝決定剪枝，剪枝後如下圖2所示：
然後考察5，将其變為葉結點後包含編号為（6,7,15）的樣例，葉結點标記為“好瓜”，此時決策樹精度仍為57.1%。可以不進行剪枝。
對于結點2，将其子樹換為葉結點，該葉結點包含編号為（1,2,3,14）的樣例，标記為“好瓜”，此時決策樹的驗證集精度提高至71.4%，做剪枝處理。
對于結點3和1，将其對應子樹替換為葉結點，所得決策樹的驗證集精度分别為71.4%和42.9%，均未得到提高，被保留。最終，基于後剪枝政策生成的決策樹如圖2所示，其驗證精度為71.4%。
3. 兩種政策的比較
後剪枝政策通常比預剪枝保留了更多的分支。一般情況下，後剪枝決策樹的欠你和風險很小，泛化性能往往優于預剪枝決策樹。但後剪枝過程在生成完全決策樹之後才能進行，并且要自底向上對樹中的所有非葉子結點逐一計算，是以訓練時間開銷比未剪枝決策樹和預剪枝決策樹的開銷大得多。