Answers:
这是我能想到的几个：
其中一些与多重共线性问题有关：当两个变量都解释同一件事时，决策树将贪婪地选择最佳变量，而许多其他方法将同时使用它们。诸如随机森林之类的集成方法可以在一定程度上抵消这一点，但是您会失去理解的便利。
但是，至少从我的角度来看，最大的问题是缺乏原则性的概率框架。许多其他方法具有置信区间，后验分布等，这使我们对模型的好坏有所了解。决策树最终是一种临时的启发式方法，它仍然非常有用（它们非常适合在数据处理中查找错误的来源），但是存在人们将输出视为“正确的”模型的危险（来自我的经验，这在营销中经常发生）。
一个缺点是假定所有术语都相互作用。也就是说，您不能有两个独立运行的解释变量。树中的每个变量都必须与树上的每个变量进行交互。如果存在没有交互或交互作用弱的变量，则效率极低。
我的回答是针对CART（C 4.5 / C 5实现）的，尽管我认为不限于此。我的猜测是，这就是OP的想法-通常是某人说“决策树”时的意思。
决策树的局限性：
效能低下
“性能”不是指分辨率，而是执行速度。它之所以很差，是因为每次您希望更新CART模型时都需要“重绘树”-由已经训练过的树分类的数据，然后您想要添加到树中（即，用作树训练数据点）要求您从头开始-不能增量添加训练实例，对于大多数其他受监督的学习算法而言，它们不能这样做。也许最好的说法是，决策树不能在线模式下训练，而只能在批处理模式下训练。显然，如果不更新分类器，您将不会注意到此限制，但是我希望您看到分辨率下降。
这很重要，因为例如对于多层感知器，一旦进行了训练，便可以开始对数据进行分类。该数据还可以用于“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以及任何新实例）进行重新训练。
变量之间具有复杂关系的数据的分辨率差
决策树通过逐步评估未知类的数据点（一次为一个节点，从根节点开始到终端节点结束）进行分类。而且在每个节点上，只有两种可能（左右），因此决策树无法学习某些可变关系。
实际上仅限于分类
训练决策树的最佳方法是训练它们为一个类分配数据点-最好是少数几个可能的类之一。我不认为我曾经在回归模式下使用决策树取得过任何成功（例如，连续输出，例如价格或预期的终身收入）。这不是形式上或固有的限制，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。
具有持续期望变量的分辨率差
同样，原则上，可以使用自变量，例如“下载时间”或“自上次在线购买以来的天数”，只需将拆分标准更改为方差（离散变量通常为信息熵或基尼杂质），但在我在这些情况下，决策树很少能很好地工作。诸如“学生年龄”之类的情况看起来是连续的，但是在例外情况下，值的范围很小（特别是如果它们以整数形式报告的话），情况例外。
这里有很好的答案，但令我惊讶的是没有强调一件事。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）确实有很强的假设；具体来说，OLS回归假定响应是有条件的正态分布，而逻辑运算则假定响应是二项式或多项式。
CART缺乏这样的假设是一把双刃剑。当这些假设不成立时，这将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，标准回归方法比CART更具参考价值。