決策樹是一種非參數的有監督學習方法，可以用于分類和回歸問題。在分類問題中，決策樹通過遞歸地分割訓練數據集，構建一棵決策樹。每個內部節點代表一個特征測試條件，邊代表節點間的轉移，而葉子節點代表決策結果（類別）。

在C++中，我們可以使用各種庫來實現決策樹算法，如：SHARK、MLPACK、Dlib等。這里以Dlib為例，展示如何在C++中使用決策樹進行分類。

首先，確保已經安裝了Dlib庫。然后，包含必要的頭文件并編寫代碼：

#include<iostream>
#include <dlib/ml.h>
#include <dlib/data_io.h>

using namespace std;
using namespace dlib;

// 加載數據集
void load_data(const string& filename,
               std::vector<std::vector<double>>& samples,
               std::vector<string>& labels) {
    std::ifstream fin(filename);
    samples.clear();
    labels.clear();

    string line;
    while (getline(fin, line)) {
        std::istringstream sin(line);
        std::vector<double> sample;
        string label;

        // 讀取特征值
        double value;
        while (sin >> value) {
            sample.push_back(value);
        }

        // 讀取標簽
        sin >> label;

        samples.push_back(sample);
        labels.push_back(label);
    }
}

int main() {
    // 加載數據集
    std::vector<std::vector<double>> samples;
    std::vector<string> labels;
    load_data("your_dataset.txt", samples, labels);

    // 將數據集劃分為訓練集和測試集
    std::vector<std::vector<double>> train_samples, test_samples;
    std::vector<string> train_labels, test_labels;
    partition_data(samples, labels, 0.8, train_samples, test_samples, train_labels, test_labels);

    // 創建決策樹分類器
    decision_tree<2> tree;

    // 訓練決策樹
    tree.train(train_samples, train_labels);

    // 對測試集進行預測
    std::vector<string> predicted_labels = tree(test_samples);

    // 計算準確率
    int num_correct = 0;
    for (size_t i = 0; i< predicted_labels.size(); ++i) {
        if (predicted_labels[i] == test_labels[i]) {
            ++num_correct;
        }
    }
    double accuracy = static_cast<double>(num_correct) / test_labels.size();

    cout << "Accuracy: "<< accuracy<< endl;

    return 0;
}

在這個示例中，我們首先加載了一個數據集，并將其劃分為訓練集和測試集。接著，我們創建了一個決策樹分類器，并使用訓練集對其進行訓練。然后，我們使用訓練好的決策樹對測試集進行預測，并計算準確率。

注意：在運行此代碼之前，請確保已經將數據集文件名替換為實際的文件路徑。數據集文件應該包含特征值和對應的類別標簽，每個樣本占一行，特征值和標簽之間用空格分隔。