决策树作为一种无参监督学习方法能够通过学习数据特征来预测目标变量值。与其他机器学习模型相比，决策树具有易于理解和解释的特点，而且能够处理多路输出和分类数据等问题。此外，决策树的算法与其他模型相比需要更少的数据，同时能够可视化出树形结构。需要注意的是，决策树的使用开销与训练数据点数量呈指数分布，不支持缺失值。关于决策树的更多细节请参考相关算法。