مثال اجرای یک مرحله از الگوریتم:

جدول زیر را به عنوان داده های تعلیم در نظر بگیرید

مجموعه های فازی زیر از روی جدول فوق و توسط فرد خبره به دست آمده اند:

از روی مجموعه های فوق توابع عضویت فازی به دست می آیند که یک نمونه از آن را در زیر نشان داده ایم:

حال مقادیر عضویت هر داده را از ضرب μ (در D) در مقدار تعلق آن داده به مجموعه های فازی Low وMiddle وHigh از Height به دست می آوریم. می توان این عمل را در شکل زیر مشاهده کرد:

حال با استفاده جدول و فرمولهای مذکور به محاسبه G(Ai,D) می پردازیم:|D| = 5.5, IDc1I = 2.2 ,and |Dc2| = 3.3پس داریم

 

و از جدول ابتدایی خواهیم داشت: 

که در نتیجه داریم:

مشابها آنتروپی دیگر زیر مجموعه ها به صورت زیر به دست خواهند آمد: 

و در نهایت  داریم :

به همان صورت فوق عمل کرده و G را برای دیگر ویژگیها محاسبه می کنیم که به مقادیر زیر منتهی می شوند:

بنابراین ویژگی hair color که بیشترین G را دارد برای تقسیم D استفاده می شود.با ایجاد گره های فرزند ، درختی به صورت زیر به دست می آید:

 

برای زیر مجموعه های D1 و D2 مراحل فوق از ابتدا تکرار می شود تا شرط توقف برقرار شود.یک مساله مهم دیگر بعد از ا یجاد این درخت باقی می ماند و آن اینکه چگونه به برگها نام کلاسها را اختصاص دهیم؟ برای این مساله سه راه حل ارائه شده است:1)      نام کلاسی را به برگ ایجاد شده اختصاص می دهیم که بیشترین مقدار تعلق را داشته باشد2)      به گره برگ نام همه کلاسها را اختصاص می دهیم  اما با میزان تعلق به دست آمده به ازای هر کلاس.بعد از به دست آمدن درخت باید عمل نرمال سازی نیز انجام گیرد . به عنوان مثال برای گره سمت راست درخت زیر که یکی از برگها می باشد به صورت زیر عمل می شود :

مرحله آخر استفاده از این درخت است که در حقیقت همان ارائه ورودی به درخت و استنتاج و تصمیم گیری برای مشخص کردن کلاس مربوط به آن است که درپست بعدی با یک مثال به آن می پردازیم