QUEST (Quick, Unbiased, Efficient Statistical Tree) è un metodo di classificazione binario per la creazione di strutture ad albero delle decisioni. Tale metodo è stato sviluppato principalmente per ridurre il tempo di elaborazione necessario per le analisi C&R Tree di grandi dimensioni con molte variabili o molti casi. Un altro obiettivo del metodo QUEST è quello di ridurre la tendenza dei metodi per le strutture ad albero di classificazione a favorire gli input che consentono un numero maggiore di suddivisioni, ovvero i campi di input continui (intervallo numerico) o quelli con un numero elevato di categorie.

• QUEST utilizza una sequenza di regole basate su test di significatività per valutare i campi di input in un nodo. Per la selezione, può essere necessario eseguire almeno un test su ogni input in un nodo. A differenza di C&R Tree, non vengono esaminate tutte le suddivisioni e a differenza di C&R Tree e CHAID, le combinazioni di categorie non vengono verificate durante la valutazione di un campo di input per la selezione. Ciò consente di aumentare la velocità dell'analisi.
• Per determinare le suddivisioni, sui gruppi contenenti le categorie obiettivo viene eseguita l'analisi discriminante quadratica mediante l'input selezionato. Questo metodo consente anch'esso di migliorare la velocità della ricerca completa (C&R Tree) per determinare la suddivisione ottimale.

Requisiti. I campi di input possono essere continui (intervalli numerici), ma il campo obiettivo deve essere categoriale. Tutte le suddivisioni sono binarie. e non è possibile utilizzare i campi peso. I campi ordinali (insieme ordinato) utilizzati nel modello devono includere una classe di archiviazione numerica e non di tipo stringa. Se è necessario convertirli, è possibile utilizzare il nodo Ricodifica.

Efficacia. Come CHAID, ma a differenza di C&R Tree, QUEST utilizza test statistici per decidere se un campo di input viene utilizzato o meno. Separa inoltre le problematiche relative alla selezione dell'input e alla suddivisione, applicando criteri diversi a ognuna di esse. Con CHAID invece, il risultato del test statistico che determina la selezione della variabile crea anche la suddivisione. Allo stesso modo, C&R Tree utilizza la misura di modifica delle impurità per selezionare il campo di input e per determinare la suddivisione.