决策树（Decision Tree）算法是一种常用的机器学习方法，它主要用于以下几种类型的问题：

- **A: 分类（Classification）**
- **C: 回归（Regression）**

### 专业分析：

1. **分类（Classification）**
- **用途**：决策树常用于分类任务，其目标是根据输入特征将数据划分为不同的类别。
- **原理**：通过构建树状模型，从根节点开始根据特征值逐步将数据分配到叶节点，叶节点代表不同的类别。
- **应用场景**：例如垃圾邮件分类、疾病诊断、信用风险评估等。

2. **回归（Regression）**
- **用途**：决策树也可以用于回归任务，其目标是在给定输入特征集的情况下预测一个连续值。
- **原理**：通过分裂数据集，模型在树的末端节点预测连续的目标变量值。
- **应用场景**：例如房价预测、股票价格预测等。

### 不适用的选项：

- **B: 聚类（Clustering）**
- 决策树不是用于聚类分析的工具。聚类是一种无监督学习方法，用于将数据集划分成多个组，每组中的数据点具有相似性。常用的聚类算法包括K-means、层次聚类等。

- **D: 关联（Association）**
- 决策树不用于寻找变量之间的关联规则。关联分析通常用于从大型数据库中发现有趣的关系，如购物篮分析中常用的Apriori算法。

通过这种分析，我们可以确认选项 **A** 和 **C** 是决策树的主要使用场景。