以下是我能想到的一对：

• 它们可能对数据中的小扰动极为敏感：微小的变化可能会导致完全不同的树。
• 他们很容易过拟合。这可以通过验证方法和修剪来否定，但这是一个灰色区域。
• 他们可能会遇到样本外预测问题（这与他们不平滑有关）。

其中一些与多重共线性问题有关：当两个变量都解释同一事物时，决策树会贪婪地选择最好的一个，而许多其他方法会同时使用它们。诸如随机森林之类的集成方法可以在一定程度上否定这一点，但您会失去理解的便利性。

然而，至少在我看来，最大的问题是缺乏有原则的概率框架。许多其他方法都有置信区间、后验分布等，这让我们对模型的好坏有了一些了解。决策树最终是一种临时启发式，它仍然非常有用（它们非常适合查找数据处理中的错误来源），但存在人们将输出视为“正确”模型的危险（来自我的经验，这在营销中经常发生）。

一个缺点是假设所有项都交互。也就是说，您不能有两个独立运行的解释变量。树中的每个变量都被迫与树中的每个变量交互。如果存在没有相互作用或相互作用很弱的变量，这是非常低效的。

我的回答是针对 CART（C 4.5/C 5 实现），但我不认为仅限于此。我的猜测是，这就是 OP 的想法——这通常是人们说“决策树”时的意思。

决策树的局限性：

低性能

我所说的“性能”不是指分辨率，而是执行速度。它不好的原因是每次您希望更新您的 CART 模型时都需要“重绘树” - 由已经训练的树分类的数据，然后您想要添加到树中（即，用作训练数据点）要求您从过度训练开始，不能像大多数其他监督学习算法那样增量地添加实例。也许最好的说法是决策树不能在在线模式下进行训练，而只能在批处理模式下进行。显然，如果您不更新分类器，您将不会注意到此限制，但我希望您会看到分辨率下降。

这很重要，因为例如，对于多层感知器，一旦它经过训练，它就可以开始对数据进行分类；该数据也可用于“调整”已经训练的分类器，尽管使用决策树，您需要使用整个数据集（训练中使用的原始数据加上任何新实例）重新训练。

变量间关系复杂的数据分辨率差

决策树通过逐步评估未知类别的数据点进行分类，一次一个节点，从根节点开始，到终端节点结束。并且在每个节点上，只有两种可能性是可能的（左右），因此存在一些决策树无法学习的可变关系。

实际上仅限于分类

当决策树被训练以将数据点分配给一个类时，它们的效果最好——最好是少数可能的类之一。我不相信我曾经在回归模式下使用决策树取得过任何成功（即，连续输出，例如价格，或预期的终生收入）。这不是形式上的或固有的限制，而是实际的限制。大多数时候，决策树用于预测因素或离散结果。

具有连续期望变量的低分辨率

同样，原则上，可以使用诸如“下载时间”或“自上次在线购买后的天数”之类的独立变量——只需将拆分标准更改为方差（对于离散变量，通常是信息熵或基尼杂质），但在我的经验 决策树在这些情况下很少能很好地工作。例外情况是像“学生年龄”这样的情况，它看起来是连续的，但实际上值的范围非常小（特别是如果它们被报告为整数）。

这里有很好的答案，但我很惊讶有一件事没有被强调。CART 不对数据做出任何分布假设，尤其是响应变量。相反，例如，OLS 回归（对于连续响应变量）和逻辑回归（对于某些分类响应变量）确实做出了强有力的假设；具体来说，OLS 回归假设响应是条件正态分布的，而logistic 假设响应是二项式或多项式的。

CART 缺乏这样的假设是一把双刃剑。当这些假设没有根据时，这使该方法具有相对优势。另一方面，当这些假设成立时，可以通过考虑这些事实从数据中提取更多信息。也就是说，当假设为真时，标准回归方法可以比 CART 提供更多信息。