決定木

📖 もうちょい詳しく

何が新しいの？

決定木は、データから「こういうときはこう判断する」というルールを自動で見つけ出すしくみです。人が一つひとつルールを書く代わりに、過去のデータを読み込んで、判断の枝分かれをコンピュータが組み立てます。むずかしい計算の中身が見えにくいモデルが多いなか、決定木は判断の道すじをそのまま図にできるのが持ち味です。

どうやって動いてるの？

まず手元のデータを、いちばんよく仲間分けできる質問でふたつに分けます。たとえば「年齢は40歳以上か」で分けると、答えが片寄るほどよい質問とされます。分けたそれぞれのかたまりを、さらに別の質問でまた分ける、これをくり返して木のように枝を伸ばしていきます。これ以上分けても意味がなくなったところが、最終的な答え（葉）になります。

何ができるの？

「この申し込みは承認してよいか」「このメールは迷惑メールか」のような、はい・いいえで答えるふり分け（分類）に使えます。数字を予想することもできます。何より、なぜその答えになったのかを上から順にたどって説明できるので、理由が必要な場面で重宝します。

🌱 身近なたとえ

健康診断の問診票で例えると分かりやすいです。「熱はありますか」「せきは出ますか」と質問が枝分かれし、答えていくうちに「念のため受診を」などのおすすめにたどり着きます。決定木も同じで、上から質問に答えていくと、自然とひとつの結論に行きつきます。

✅ まず覚えるポイント

• 質問の枝分かれをたどって答えを出す、木の形のモデルです
• データから判断ルールを自動で見つけてくれます
• ふり分け（分類）にも、数字の予想（回帰）にも使えます
• 判断の道すじを図にできるので、理由を説明しやすいです
• いちばん上の質問を「根」、最終的な答えを「葉」と呼びます

🧭 よくある勘違い

決定木は精度がいちばん高い方法なの？

そうとは限りません。決定木は分かりやすさが強みですが、深く枝を伸ばしすぎると、手元のデータだけに合いすぎて新しいデータで外しやすくなります。これを過学習と呼びます。高い精度がほしいときは、たくさんの決定木を組み合わせる方法がよく使われます。

木って本当に植物の木みたいに生えているの？

見た目を木にたとえているだけで、実体は質問と分岐のルールの集まりです。図にすると枝が下に広がるので、ふつうの木とは上下が逆さまになります。いちばん上が出発点の「根」、いちばん下の枝先が答えの「葉」です。

🧩 関連して覚えると楽な言葉

• ランダムフォレスト: たくさんの決定木を作って多数決させ、精度を上げる方法です
• 分類: データをいくつかのグループにふり分ける、決定木の代表的な使い道です
• 機械学習: データからルールを自動で学ぶしくみで、決定木もその一種です
• アンサンブル学習: 複数のモデルを組み合わせて、より良い答えを出す考え方です

🏁 ひとことでまとめ

決定木は、質問の枝分かれを上からたどって結論に行きつく、道すじの見えるモデルです。