決定木学習は、データを条件分岐の樹木構造（ツリー構造）で整理し、分類や予測を行う機械学習の手法です。Yes/Noなどの直感的なルールの組み合わせで判断根拠が視覚化されるため、結果の解釈性が非常に高い特徴を持っています。医療診断や顧客データ分析など幅広い分野で利用されています。
決定木学習とは
決定木学習とは、データを条件分岐によって樹木のような階層構造に分割し、分類や予測を行う機械学習アルゴリズムです。
詳しく解説
決定木学習は、入力データの特徴量をもとに質問（条件）を繰り返し、データをより純度の高いグループへ分割していく手法です。データを分割する際には「ジニ不純度」や「情報利得」といった指標が用いられ、最も効率的にデータを分けられる特徴量が自動的に選ばれます。結果がツリー形式で表現されるため、モデルが「なぜその結論に至ったか」という予測プロセスを人間が容易に理解できるという大きな特徴を持っています。主に分類問題を扱う「分類木」と、連続値を予測する「回帰木」の2種類が存在します。
具体例・使われ方
例えば、銀行の融資審査において「年収が500万円以上か」「勤続年数が3年以上か」といった条件分岐を辿ることで、融資の可否を判定するシステムに利用されます。また、病気の診断支援や、顧客がサービスを解約するかどうかの予測など、根拠の説明が求められる場面で幅広く活用されています。
似た用語との違い
決定木学習とランダムフォレストや勾配ブースティングなどのアンサンブル学習の手法は混同されやすいです。単一の決定木学習は解釈性に優れていますが、過学習を起こしやすい傾向があります。一方、ランダムフォレストなどは複数の決定木を組み合わせることで高い予測精度を実現しますが、モデルの内部構造が複雑になり解釈性は低下します。
注意点
決定木学習は訓練データに過剰に適合する「過学習」を起こしやすい点に注意が必要です。過学習を防ぐためには、木の深さを制限したり、不要な分岐を削除する「剪定（せんてい）」という作業が不可欠です。また、データのわずかな変化によってツリーの構造が大きく変わってしまうという脆弱性も存在します。