无论是决策树，包括集成树还是神经网络都是非常强大、有效的学习方法。

下面是各自的优缺点：

决策树和集成树通常在表格数据上表现良好，也称为结构化数据，这意味着如果你的数据集看起来像一个巨大的电子表格，那么决策树是值得考虑的。例如，在房价预测应用中，我们有一个数据集，其包含于房屋大小、卧室数量、楼层数量和房龄相关特征，这种类型的数据存储在电子表格中，带有分类或连续值特征，无论是用于分类任务还是回归任务，当你试图预测一个离散类别或预测一个数值时，所有这些问题都是决策树可以做得很好的。相比之下，不推荐在非结构化数据上使用决策树和集成树，例如：图像、视频、音频和文本，这些数据不太可能以电子表格格式存储。

决策树和集成树的一个巨大优势是它们训练速度非常快，小型决策树可能更容易被人类理解，如果你只训练一个决策树，而且这个决策树只有几十个节点，那么可以打印出决策树，以确切了解它是如何做出决策的。当你构建包含100棵树的集成模型，而每棵树都有数百个节点时，要弄清楚集成模型在做什么变得困难，可能需要某些单独的可视化技术。但如果你有一个小型决策树，实际上可以查看它并通过观察某些特征，以某种方式来分类某物是不是一只猫。如果你决定使用决策树或集成树，在大多数情况下会使用XGBoost。集成树的一个小缺点是：它比单个决策树稍微昂贵一些，所以如果你的预算非常有限，你也许会使用单个决策树，但除此之外，几乎总是使用集成树，特别是使用XGBoost.

神经网络更适合处理非结构化数据任务。与决策树和集成树不同，神经网络在所有类型的数据上都表现良好，包括表格或结构化数据，也包括非结构化数据，以及包含结构化和非结构化组建的混合数据。在表格结构化数据上，神经网络和决策树都具有竞争力，而在非结构化数据上，神经网络是首选，而不是决策树或集成树，神经网络的一个缺点是：神经网络可能比决策树更慢，一个大型的神经网络可能需要很长时间来训练，神经网络的其他优势包括：它可以与迁移学习结合，因为在许多应用中，如果你的数据集很小，能够适应迁移学习并在一个更大的数据集上进行预训练，这是获得竞争性表现的关键。

最后，有一些技术上的原因，可能更容易使得将多个神经网络串联使用，构建一个更大的机器学习系统，基本原因是：神经网络将输出y计算为输入x的平滑或连续函数，因此即使串联了很多不同的模型，这些不同模型的输出本身也是微小的，所以可以同时使用梯度下降法训练它们。而对于决策树，只能一次训练一棵树。如果要构建一个由多个机器学习模型协同工作的系统，串联和训练多个神经网络可能比多个决策树更容易。