निर्णय वृक्ष प्रेरण की विभिन्न विशेषताएं निम्नलिखित हैं -
निर्णय वृक्ष प्रेरण वर्गीकरण मॉडल बनाने के लिए एक नॉनपैरामीट्रिक विधि है। अन्य शब्दों में, इसे कक्षा और विभिन्न विशेषताओं द्वारा संतुष्ट संभाव्यता वितरण के प्रकार के संबंध में किसी पूर्व धारणा की आवश्यकता नहीं है।
एक इष्टतम निर्णय वृक्ष ढूंढना एक NP-पूर्ण समस्या है। कई निर्णय वृक्ष एल्गोरिदम विशाल परिकल्पना स्थान में अपनी खोज का मार्गदर्शन करने के लिए एक अनुमान-आधारित दृष्टिकोण अपनाते हैं।
कम्प्यूटेशनली सस्ते निर्णय वृक्ष बनाने के लिए विभिन्न तकनीकें विकसित की गई हैं, जिससे बहुत बड़े प्रशिक्षण सेट आकार होने पर भी मॉडल को जल्दी से बनाना संभव हो जाता है। इसके अलावा, क्योंकि एक निर्णय वृक्ष विकसित किया गया है, टेस्ट डेटा को वर्गीकृत करना पूरी तरह से तेज है, जिसमें सबसे खराब स्थिति की जटिलता O(w) है, जहां w वृक्ष की अधिकतम गहराई है।
निर्णय वृक्ष, विशेष रूप से छोटे आकार के वृक्ष, अपेक्षाकृत सरल हैं। कई डेटा सेट के लिए वृक्षों की दक्षता भी कई वर्गीकरण विधियों के बराबर है।
निर्णय वृक्ष असतत-मूल्यवान फ़ंक्शन सीखने के लिए एक अभिव्यंजक प्रतिनिधित्व का समर्थन करते हैं। लेकिन वे बूलियन समस्याओं की एक विशिष्ट विधि के लिए अच्छी तरह से सामान्यीकृत नहीं करते हैं। एक उदाहरण समता फ़ंक्शन है, जिसका मान 0 (1) होता है जब ट्रू मान वाली विषम (सम) संख्या में बूलियन विशेषताएं होती हैं।
अतिरिक्त विशेषताओं की उपस्थिति निर्णय वृक्षों की प्रभावशीलता को प्रभावित नहीं करती है। एक विशेषता अतिरिक्त है यदि यह डेटा में एक अलग विशेषता के साथ दृढ़ता से सहसंबद्ध है। दो अतिरिक्त विशेषताओं का उपयोग विभाजन के लिए नहीं किया जा सकता क्योंकि दूसरी विशेषता पहले ही चुनी जा चुकी है।
लेकिन अगर डेटा सेट में कई अप्रासंगिक विशेषताएं शामिल हैं, यानी, ऐसी विशेषताएं जो वर्गीकरण सेवा के लिए फायदेमंद नहीं हैं, तो वृक्ष-विकास प्रक्रिया के दौरान कई अप्रासंगिक विशेषताओं को गलती से चुना जा सकता है जिसके परिणामस्वरूप एक निर्णय वृक्ष होता है जो आवश्यक से बड़ा होता है। फीचर चयन तकनीकें प्रीप्रोसेसिंग के दौरान अप्रासंगिक विशेषताओं को समाप्त करके निर्णय वृक्षों की सटीकता में सुधार करने में मदद कर सकती हैं।
क्योंकि कई निर्णय वृक्ष एल्गोरिदम टॉप-डाउन, पुनरावर्ती विभाजन विधियों का उपयोग करते हैं, कई डेटा छोटे हो जाते हैं जैसे-जैसे यह वृक्ष के नीचे जाता है। पत्ती नोड्स पर, कई डेटा उस नोड के वर्ग विवरण के बारे में सांख्यिकीय रूप से महत्वपूर्ण निर्णय लेने के लिए बहुत छोटे हो सकते हैं। इसे डेटा विखंडन समस्या कहा जाता है। एक संभावित समाधान यह है कि जब कई डेटा एक विशिष्ट सीमा से नीचे आ जाए तो आगे विभाजन को अस्वीकार कर दिया जाए।
एक उपवृक्ष को निर्णय वृक्ष में कई बार दोहराया जा सकता है। यह निर्णय वृक्ष को आवश्यक से अधिक जटिल बनाता है और संभवतः लागू करना अधिक जटिल होता है। विभिन्न स्थितियां निर्णय वृक्ष निष्पादन से बढ़ सकती हैं जो प्रत्येक आंतरिक नोड पर एकल विशेषता परीक्षण स्थिति पर निर्भर करती हैं।
कुछ निर्णय वृक्ष एल्गोरिदम डिवाइड-एंड-कॉन्कर विभाजन दृष्टिकोण की आवश्यकता होती है, समान परीक्षण स्थिति का उपयोग विशेषता स्थान के कई हिस्सों में किया जा सकता है, इसलिए उपवृक्ष प्रतिकृति मुद्दों की ओर अग्रसर होता है।
