Un flujo de datos imperfecto provoca la explosión del tamaño del árbol y problemas de precisión perjudiciales. El problema del sobreajuste y la distribución desequilibrada de clases reducen el rendimiento del algoritmo original de árbol de decisión para la minería de flujos. En este artículo, proponemos un mecanismo de optimización incremental para resolver estos problemas. El mecanismo se denomina Árbol de Decisión Optimizado Muy Rápido (OVFDT) que posee un mecanismo de control de división de nodos optimizado. La precisión, el tamaño del árbol y el tiempo de aprendizaje son los factores que más influyen en el rendimiento del algoritmo. Naturalmente, un árbol de mayor tamaño requiere más tiempo de cálculo. OVFDT es un modelo pionero equipado con un mecanismo de optimización incremental que busca un equilibrio entre la precisión y el tamaño del árbol para la minería de flujos de datos. Funciona de forma incremental mediante un enfoque de "probar y luego entrenar". Tres tipos de hojas de árbol funcionales mejoran la precisión con la que el modelo de árbol realiza una predicción para un nuevo flujo de datos en la fase de prueba. El mecanismo optimizado de división de nodos controla el crecimiento del modelo de árbol en la fase de entrenamiento. El experimento muestra que OVFDT obtiene una estructura de árbol óptima tanto en conjuntos de datos numéricos como nominales.