決定木とは
決定木とは、特徴量にもとづく条件分岐を繰り返して分類や回帰を行う手法です。構造が直感的で理解しやすい一方、過学習を起こしやすい点が弱点として重要です。
この用語はG検定シラバスの「7. 教師あり学習」に含まれます。 章全体の用語は用語解説②（全62語）にまとまっています。
一言でいうと
「〜以上か？」という質問を繰り返して答えにたどり着く、木の形をしたモデルです。
どういう仕組みか
「年収が一定額以上か？」「勤続年数は何年以上か？」といった条件でデータを次々と枝分かれさせ、最終的にたどり着いた葉で予測を出します。
判断の過程がそのまま図として見えるため、なぜその結論になったかを説明できる点が大きな長所です。分類にも回帰にも使えます。
過学習しやすいという弱点
分岐を深くしていけば訓練データは完璧に分類できます。しかしそれは手元のデータの細かなノイズまで覚えた状態であり、未知のデータには通用しません（過学習）。
この弱点を補うために、複数の決定木を組み合わせるアンサンブル学習が使われます。ランダムフォレストや勾配ブースティングが代表例です。
どの条件で分岐するかの決め方
分岐の条件は、分けたあとのグループができるだけ「純粋」になるように選ばれます。ここでいう純粋とは、同じクラスのデータで固まっている状態です。
その純粋さを測る指標が不純度で、ジニ係数やエントロピーが用いられます。不純度が最も減る分岐を選ぶ、というのが基本的な学習の流れです。
🎯 G検定での押さえどころ
- 条件分岐を繰り返す。分類・回帰の両方に使える
- 判断過程が見えるため解釈性が高い
- 過学習しやすい→アンサンブル学習で補う
⚠️ よくある誤りの選択肢
- 「決定木は分類にしか使えない」→ 誤り。回帰にも使えます
- 「決定木は過学習が起きにくい手法である」→ 誤り。起きやすい点が弱点です
📘 もっと深く学ぶ
- 数式レベルまで踏み込んだ解説 → 医療AIナビ「教師あり学習④ 決定木」（E資格向け）
関連する用語
ご利用にあたって 本ページの内容は、JDLAが公開しているG検定シラバス2024や公式テキストなど、一般に公開されている情報をもとに独自に整理・解説したものです。実際の試験の出題内容を示すものではなく、また合格を保証するものでもありません。制度・法令・試験要項は変更されることがあるため、最新の情報は必ずJDLA公式サイトでご確認ください。