+ Interpretierbarkeit der Ergebnisse (klare Cut-off Werte bzw. splits) bei isolierten Bäumen
+ Entdeckung interessanter Muster möglich
+ Weniger Voraussetzungen als bei etablierten Verfahren (multiple Regression, logistische Regression etc.)
+ Untersuchung von sehr vielen Prädiktoren möglich (z.B. 1000).

- Einzelne Bäume können instabil sein (geringfügige Datenänderung führt zu einem anderen Baum). Verbesserung durch Bildung mehrerer Bäume möglich (z.B. random forest), aber die Interpretierbarkeit leidet darunter.
- Bei vielen Variablen und/oder Ensemble-Methoden ist die Interpretation der Zusammenhänge erschwert. Blindes Vertrauen bei Black Box Modellen vermeiden

• Selbst bei sehr komplexen Modellen oder Model Ensembles soll man versuchen, die Modelle zu verstehen, z.B.
  • Wie oft werden die einzelnen Variablen als 1. Splitvariable verwendet?
  • Bildung einzelner Bäume unter Verwendung unterschiedlicher Einstellungen: Was haben die Bäume gemeinsam?