Có nhiều đặc điểm của khuyết nạp cây quyết định như sau:
Khuyết nạp cây quyết định là phương pháp phi tham số (nonparametric) để xây dựng mô hình phân loại. Nói cách khác, nó không cần bất kỳ giả định trước nào về loại phân phối xác suất được thỏa mãn bởi lớp và các thuộc tính khác nhau.
Việc tìm một cây quyết định tối ưu là một vấn đề NP-complete. Nhiều thuật toán cây quyết định sử dụng phương pháp dựa trên heuristic để dẫn dắt tìm kiếm của họ trong không gian giả thuyết khổng lồ.
Có nhiều kỹ thuật được phát triển để xây dựng cây quyết định tính toán rẻ, làm cho việc nhanh chóng xây dựng mô hình trở nên khả thi ngay cả khi kích thước tập huấn luyện rất lớn. Hơn nữa, vì một cây quyết định đã được phát triển, phân loại dữ liệu kiểm tra hoàn toàn nhanh, với độ phức tạp trường hợp xấu nhất O(w), trong đó w là độ sâu tối đa của cây.
Cây quyết định, đặc biệt là cây kích thước nhỏ, tương đối dễ triển khai. Hiệu suất của các cây cũng có thể so sánh với nhiều phương pháp phân loại cho nhiều tập dữ liệu.
Cây quyết định hỗ trợ biểu diễn biểu đạt cho việc học các hàm giá trị rời rạc (discrete-valued functions). Nhưng chúng không tổng quát hóa tốt cho một phương pháp cụ thể của các vấn đề Boolean. Ví dụ là hàm chẵn lẻ (parity function), giá trị là 0 (1) khi có số lẻ (chẵn) thuộc tính Boolean có giá trị True.
Sự hiện diện của các thuộc tính dư thừa (redundant attributes) không ảnh hưởng đến hiệu quả của cây quyết định. Một thuộc tính là dư thừa nếu nó tương quan mạnh với một thuộc tính khác trong dữ liệu. Hai thuộc tính dư thừa không thể được dùng để phân chia vì thuộc tính kia đã được chọn.
Nhưng nếu tập dữ liệu bao gồm nhiều thuộc tính không liên quan (irrelevant attributes), tức là các thuộc tính không hữu ích cho hàm phân loại, thì một số thuộc tính không liên quan có thể bị chọn ngẫu nhiên trong quá trình phát triển cây dẫn đến cây quyết định lớn hơn cần thiết. Kỹ thuật chọn đặc trưng (Feature selection) có thể giúp cải thiện độ chính xác của cây quyết định bằng cách loại bỏ các thuộc tính không liên quan trong tiền xử lý.
Vì nhiều thuật toán cây quyết định sử dụng phương pháp phân hoạch đệ quy từ trên xuống (top-down, recursive partitioning), số lượng dữ liệu nhiều trở nên nhỏ hơn khi đi xuống cây. Tại các nút lá, số lượng dữ liệu có thể quá nhỏ để tạo ra quyết định có ý nghĩa thống kê về mô tả lớp của các nút. Điều này được gọi là vấn đề phân mảnh dữ liệu (data fragmentation problem). Một giải pháp có thể là không cho phép phân chia thêm khi số lượng dữ liệu giảm dưới một ngưỡng cụ thể.
Một cây con (subtree) có thể được lặp lại nhiều lần trong một cây quyết định. Điều này làm cho cây quyết định phức tạp hơn cần thiết và có thể phức tạp hơn để triển khai. Các tình huống khác nhau có thể nảy sinh từ việc thực thi cây quyết định phụ thuộc vào điều kiện kiểm tra thuộc tính đơn lẻ tại mỗi nút nội bộ.
Một số thuật toán cây quyết định cần phương pháp phân hoạch chia để trị (divide-and-conquer partitioning), điều kiện kiểm tra tương tự có thể được dùng cho nhiều phần của không gian thuộc tính, do đó dẫn đến vấn đề lặp lại cây con (subtree replication issues).