缺点。一般决策树的劣势：
1)缺乏伸缩性：由于进行深度优先搜索，所以算法受内存大小限制，难于处理大训练集。一个例子：
在irvine机器学习知识库中，最大可以允许的数据集仅仅为700kb，2000条记录。而现代的数据仓库动辄存储几个g-bytes的海量数据。用以前的方法是显然不行的。
2)为了处理大数据集或连续量的种种改进算法（离散化、取样）不仅增加了分类算法的额外开销，而且降低了分类的准确性，对连续性的字段比较难**，当类别太多时，错误可能就会增加的比较快，对有时间顺序的数据，需要很多预处理的工作。
但是，所用的基于分类挖掘的决策树算法没有考虑噪声问题，生成的决策树很完美，这只不过是理论上的，在实际应用过程中，大量的现实世界中的数据都不是以的意愿来定的，可能某些字段上缺值（missin**alues）；可能数据不准确含有噪声或者是错误的；可能是缺少必须的数据造成了数据的不完整。
另外决策树技术本身也存在一些不足的地方，例如当类别很多的时候，它的错误就可能出现甚至很多。而且它对连续性的字段比较难作出准确的**。而且一般算法在分类的时候，只是根据一个属性来分类的。
在有噪声的情况下，完全拟合将导致过分拟合（overfitting），即对训练数据的完全拟合反而不具有很好的**性能。剪枝是一种克服噪声的技术，同时它也能使树得到简化而变得更容易理解。另外，决策树技术也可能产生子树复制和碎片问题。