对于拟合度和决策树模型的复杂度，以下分析将帮助理解选项：

1. **A: 树模型越复杂，会将训练集的噪音学习进去**
- **正确**。增加树模型的复杂度（例如深度增加）通常会导致模型学习训练集中的噪音。这种现象被称为“过拟合”，即模型在训练集上的表现很好，但无法泛化到新的数据。

2. **B: 树模型越复杂，测试集的分数就越低**
- **正确**。由于过拟合现象，复杂的树模型虽然在训练集上表现卓越，但在测试集上可能表现不佳，因此测试集的分数会降低。

3. **C: 树模型越简单，对训练集的精度就越差**
- **正确**。一个简单的树模型可能无法捕捉训练集中的所有模式，导致训练集上的精度降低。这是“欠拟合”的一种表现。

4. **D: 树模型越简单，导致欠拟合**
- **正确**。简单模型通常无法充分表示数据的复杂结构，结果是不能很好地拟合训练数据，导致欠拟合。

综合分析：

- 复杂的树模型容易过拟合，学习噪音（A），在测试集上表现差（B）。
- 简单的树模型可能欠拟合，导致在训练集上的表现不足（C和D）。

因此，正确选项是：**A、B、C、D**。每个选项都准确地描述了树模型在不同复杂度下可能出现的问题。