决策树模型是一种简单易用的非参数分类器。它不需要对数据有任何的先验假设，计算速度较快，结果容易解释，而且稳健性强

在复杂的决策情况中，往往需要多层次或多阶段的决策。当一个阶段决策完成后，可能有m种新的不同自然状态发生；每种自然状态下，都有m个新的策略可选择，选择后产生不同的结果并再次面临新的自然状态，继续产生一系列的决策过程，这种决策被称为序列决策或多级决策。此时，如果继续遵循上述的决策准则或采用效益矩阵分析问题，就容易使相应的表格关系十分复杂。决策树是一种能帮助决策者进行序列决策分析的有效工具，其方法是将问题中有关策略、自然状态、概率及收益值等通过线条和图形用类似于树状的形式表示出来。

决策树模型就是由决策点、策略点(事件点)及结果构成的树形图，一般应用于序列决策中，通常以最大收益期望值或最低期望成本作为决策准则，通过图解方式求解在不同条件下各类方案的效益值，然后通过比较，做出决策。

在决策树模型的使用中需要考虑算法的特性。其中，决策树模型的优点有：

一是浅层的(Shallow)决策树视觉上非常直观，而且容易解释。

二是对数据的结构和分布不需作任何假设。

三是可以捕捉住变量间的相互作用(Interaction)。

决策树模型的缺点有：

一是深层的(Deep)决策树视觉上和解释上都比较困难。

二是决策树容易过分微调于样本数据而失去稳定性和抗震荡性。

三是决策树对样本量(Sample Size)的需求比较大。

四是处理缺失值的功能非常有限。