درخت‌های تصمیم (DT)
مدل‌های طبقه‌بندی هستند که در آن‌ها مجموعه‌ای از پرسش‌ها و پاسخ‌ها با استفاده از گره‌ها و یال‌های جهت‌دار ترسیم می‌شوند.
درختان تصمیم دارای سه نوع گره هستند: گره ریشه، گره داخلی و گره برگ یا انتهایی. گره ریشه و تمام گره های داخلی شرایط آزمون را برای ویژگی ها یا متغیرهای مختلف در یک مجموعه داده نشان می دهند. گره های برگ برچسب کلاس را برای تمام مسیرهای مختلف درخت مشخص می کنند.

الگوریتم‌های القایی
اکثر الگوریتم‌های القایی درخت تصمیم شامل انتخاب یک ویژگی برای گره ریشه و سپس اتخاذ همان نوع تصمیم آگاهانه در مورد همه گره‌های یک درخت هستند.
درخت‌های تصمیم را می‌توان با برنامه‌ریزی بیان ژن نیز ایجاد کرد، با این مزیت که تمام تصمیم‌گیری‌های مربوط به رشد درخت توسط خود الگوریتم و بدون هیچ گونه ورودی انسانی گرفته می‌شود.

دو نوع از الگوریتم‌های DT
یکی برای القای درخت‌های تصمیم با ویژگی‌های اسمی و دیگری برای القای درخت‌های تصمیم با ویژگی‌های عددی و اسمی. این جنبه از القای درخت تصمیم به برنامه‌ریزی بیان ژن نیز مربوط می‌شود. و دو الگوریتم GEP برای القای درخت تصمیم وجود دارد: الگوریتم درخت‌های تصمیم تکامل‌پذیر (EDT) که منحصراً با ویژگی‌های اسمی سروکار دارد و EDT-RNC (EDT با ثابت‌های عددی تصادفی) مدیریت هر دو ویژگی اسمی و عددی.

درخت‌های تصمیم القا شده
در درخت‌های تصمیم القا شده توسط برنامه‌نویسی بیان ژن، ویژگی‌ها به‌عنوان گره‌های تابع در الگوریتم بیان ژن پایه رفتار می‌کنند. در حالی که برچسب‌های کلاس به‌عنوان پایانه‌ها رفتار می‌کنند. این بدان معناست که گره های صفت نیز تعداد یا تعداد شاخه خاصی را با آنها مرتبط کرده اند. که رشد آنها و در نهایت رشد درخت را تعیین می کند. برچسب‌های کلاس مانند پایانه‌ها عمل می‌کنند، به این معنی که برای یک کار طبقه‌بندی k-کلاس، یک مجموعه پایانه با پایانه‌های k استفاده می‌شود که نشان‌دهنده k-کلاس‌ مختلف است.

قوانین رمزگذاری
درخت تصمیم در یک ژنوم خطی بسیار شبیه به قوانینی است که برای رمزگذاری عبارات ریاضی استفاده می شود. بنابراین، برای القای درخت تصمیم، ژن‌ها دارای یک سر و یک دم هستند. که سر حاوی صفات و پایانه‌ها و دم فقط دارای پایانه‌ها است. این تضمین می کند که همه درخت های تصمیم طراحی شده توسط GEP همیشه برنامه های معتبر هستند. علاوه بر این، اندازه دم t با اندازه سر h و تعداد شاخه‌های مشخصه با شاخه‌های بیشتر nmax  نیز گفته می‌شود.