决策树有很多种，可能基于不同的标准，比如基尼系数，信息熵等，个人认为：
一、可以讨论某种具体算法的缺点和不足，
二、也可以讨论决策树与神经网络等的优缺点

优点：在控制层级的基础上，构造简单，表示方法直观，易于理解
缺点：分类性能可能不如神经网络或者支持向量机等黑箱方法
暂时就想到这么多

决策树是应用最多的挖掘方法
简单＋性能很好的

在楼主的鼓舞下，我查了一下资料，和大家分享，感觉还有点启发，希望大家一起探讨
决策树的缺点：
第一，即使对于小型训练集，决策树也可能相当大，因此难以理解
第二，当检验数据集中对象的属性有缺失值，树的性能可能有问题
第三，树节点中属性的次序可能对性能具有负面影响

决策树的优点是
它的执行效率，主要归结于他的简约表示和执行能力，


参考书籍：《数据挖掘基础教程》，印度 K.P.Soman

感觉版主的如此关注和解答，本版的知识性材料太多，但发起问题讨论的帖子太少，我觉得应该适当加强下，这样才能实现共同学习。