Многие задачи классификации могут быть успешно решены методом дерева решений. В классической постановке в каждом узле дерева решение принимается на основе значения только одного признака, и поэтому деревья получаются громоздкими и трудно воспринимаемыми. В статье предлагается новый метод машинного обучения - дерево секущих гиперплоскостей. Базовая идея дерева решений - иерархические логические правила сохраняются, но решение в каждом узле принимается на основе секущей гиперплоскости, что значительно уменьшает размер дерева. Для решения данной задачи могут быть использованы программы частично-целочисленного математического программирования. Ключевое отличие предлагаемого подхода от других методов состоит в использовании в каждом узле функции Relu 1. Основой данного метода послужили работы по теории комитетных решений Уральской школы распознавания образов Института математики и механики УрО РАН. В статье приводится описание алгоритма построения дерева секущих гиперплоскостей и приводятся результаты классификации на данных из репозитория UCI.