결정 트리 (Decision trees)는 엄격한 이진 임계값 (hard binary thresholds)을 사용하여 특징 공간 (feature space)을 분할하며, 결정 경계 (decision boundary)에서 멀리 떨어진 인스턴스와 경계 바로 위에 있는 인스턴스에 동일한 신뢰도를 할당합니다. 본 연구에서는 각 분할 노드 (split node)에 최적 임계값 (optimal threshold)을 중심으로 반폭 (half-width) $\delta$를 갖는 불확실성 영역 (uncertainty zone)을 추가한 삼진 결정 트리 (ternary decision trees)를 소개합니다. 이 영역에 속하는 인스턴스는 두 자식 서브트리 (child subtrees)의 가중치 혼합 (weighted blending)으로 형성된 예측을 받으며, 경계 불확실 (boundary-uncertain) 상태로 표시되어 하위 애플리케이션이 이러한 예측을 다르게 처리할 수 있음을 알립니다. 결정적으로, $\delta$는 표준 CART 분할 탐색 (split finding) 중에 이미 사용 가능한 통계치를 통해 각 노드에서 국소적으로 계산되므로, 외부의 노이즈 지정 (noise specification)이 필요하지 않습니다. 우리는 다섯 가지 $\delta$ 추정 방법을 제안하고 평가합니다: 품질 고원 (quality-plateau, 분할 기준 곡선의 고원 폭), 클래스 중첩 (class-overlap, 경험적 클래스 분포 중첩), 이득비 (gain-ratio, 분할 엔트로피 대비 분할 품질), 노드 부트스트랩 (node-bootstrap, 노드 수준 재표본 추출 하의 임계값 분산), 그리고 마진 (margin, SVM에서 영감을 얻은 가장 가까운 클래스 간 훈련 예시까지의 거리). 72개의 OpenML-CC18 데이터셋에 대해 5-겹 교차 검증 (5-fold cross-validation)을 통해 평가한 결과, 확률적 라우팅 (probabilistic routing)을 적용한 다섯 가지 방법 모두 결정 정확도 (decided accuracy) 측면에서 표준 CART를 유의미하게 능가했습니다 (Wilcoxon 부호 순위 검정, p < 0.001). 마진 (margin) 방법은 최고의 효율성 (경계 불확실 플래깅 비율 단위당 0.104 정확도 이득)을 달성하였고, 72개 데이터셋 중 42개에서 승리했으며, 추가적인 하이퍼파라미터 (hyperparameters)가 전혀 필요하지 않았습니다. 세 가지 Breiman 합성 벤치마크에 대한 분석 결과, 마진 (margin)은 깨끗한 데이터에서 자기 교정 (self-calibrating)되는 반면, 노드 부트스트랩 (node-bootstrap)과 품질 고원 (quality-plateau)은 이론적인 기약 오차 (irreducible error)를 가장 잘 추적하는 것으로 나타났습니다. 네 가지 의료 및 금융 데이터셋에 대한 실험은 실질적인 가치를 입증합니다: 유방 촬영술 (mammography) 데이터셋에서 노드 부트스트랩 (node-bootstrap)은 스크리닝 사례의 10.8%를 경계 불확실으로 표시함으로써 +0.71%의 결정 정확도를 달성했습니다.