決定木（Decision Tree）

決定木（Decision Tree）とは、データの特徴に基づいて条件分岐を繰り返しながら分類や回帰を行う、機械学習の基本的なアルゴリズムのひとつです。 木構造（ツリー構造）を持ち、ルートノードからスタートして枝分かれしながら最終的な予測結果（葉ノード）に到達します。 決定木の主な特徴は以下の通りです： • モデルの構造が視覚的で直感的に理解しやすい（ホワイトボックスモデル） • 前処理が少なくて済み、カテゴリ変数や欠損値も扱いやすい • 小規模データでも過学習を防ぎつつ高精度な分類・回帰が可能 • 一度構築された木をもとにルールベースの判断を導き出せる 分類問題では「クラスラベルの判定」、回帰問題では「数値の予測」を行います。 分岐に用いる代表的な指標には、ジニ不純度（Gini impurity）や情報利得（Information Gain）、平均二乗誤差（MSE）などがあります。 主な用途の例： • 顧客の購買・解約の傾向分析 • メディカルデータに基づく疾患の予測 • 売上や需要の数値予測 • フィルタリングや条件分岐を伴う推薦システム ただし、単体の決定木はノイズに敏感で過学習しやすいため、ランダムフォレストやXGBoostなどのアンサンブル学習で補強されることが多くあります。 それでも、モデルの可視化性・説明性という点では、今なおビジネス現場や教育分野で重宝される重要なアルゴリズムです。