随着大数据时代的到来,数据所蕴藏的价值逐渐凸显,各行业多年来所累积的数据都具有巨大的挖掘潜力,于是数据挖掘技术飞速发展,每一个精准的数据分析结果都能带来巨大的行业收益。为了能更快更准确地得到数据分析的结果,数据挖掘算法就成为了我们的重点研究对象。针对传统C4.5算法面对大量多维连续型属性值时,传统离散化方法易造成分类准确度不高、算法运行效率低下的问题,本文提出了两种连续型属性值离散化的方法,第一种是十等分离散化方法,将连续型属性值进行排序后取十等分点处的值作为候选分裂点进行计算;另一种是由K-means算法进行连续属性数据离散化的方式,首先通过将无特征标志的连续型数据与对应类标号结合生成数据子集,通过K-means算法生成若干簇,再取簇的近似边界点作为连续型属性的候选分类点进行信息增益率的计算。实验结果表明,与传统C4.5算法相比,在十等分离散化模式下的C4.5算法具有更高的执行效率,基于K-means算法的离散化模式使C4.5决策树模型拥有更高的分类准确度。