SLIQ算法（Supervised Learning In Quest）对C4.5决策树分类算法的实现方法进行了改进，在决策树的构造过程中采用了“预排序”和“广度优先策略”两种技术。

（1）预排序。对于连续属性在每个内部结点寻找其最优分裂标准时，都需要对训练集按照该属性的取值进行排序，而排序是很浪费时间的操作。为此，SLIQ算法采用了预排序技术。所谓预排序，就是针对每个属性的取值，把所有的记录按照从小到大的顺序进行排序，以消除在决策树的每个结点对数据集进行的排序。具体实现时，需要为训练数据集的每个属性创建一个属性列表，为类别属性创建一个类别列表。

（2）广度优先策略。在C4.5算法中，树的构造是按照深度优先策略完成的，需要对每个属性列表在每个结点处都进行一遍扫描，费时很多，为此，SLIQ采用广度优先策略构造决策树，即在决策树的每一层只需对每个属性列表扫描一次，就可以为当前决策树中每个叶子结点找到最优分裂标准。所谓广度优先，即输入样本后，一层一层的分裂属性，优先访问一层结点。

SLIQ算法由于采用了上述两种技术，使得该算法能够处理比C4.5大得多的训练集，在一定范围内具有良好的随记录个数和属性个数增长的可伸缩性。(www.daowen.com)

然而它仍然存在如下缺点：

（1）由于需要将类别列表存放于内存，而类别列表的元组数与训练集的元组数是相同的，这就在一定程度上限制了可以处理的数据集的大小。

（2）由于采用了预排序技术，而排序算法的复杂度本身并不是与记录个数呈线性关系，因此，使得SLIQ算法不可能达到随记录数目增长的线性可伸缩性。