決定木とは、データを分類または回帰するための代表的な教師あり学習アルゴリズムです。データを特定の条件（質問）によって段階的に分岐させ、樹木のような階層構造（木構造）で意思決定のプロセスを視覚化します。モデルの解釈性が非常に高く、専門知識がなくても予測に至るルールを容易に理解できる点が大きな特徴です。
決定木とは
決定木は、教師あり学習の一種であり、データを条件分岐の繰り返しによって樹木状のルールに分割し、分類や数値の予測を行う機械学習のアルゴリズムです。
詳しく解説
決定木は、あるデータセットに対して「特徴量Aは〇〇以上か？」といった条件分岐を繰り返し、最終的な予測値（分類クラスや数値）を導き出す仕組みです。分岐の基準には、データの不純度（乱雑さ）を測る「ジニ不純度」や「エントロピー」、あるいは「情報利得」といった指標が用いられ、最もデータをきれいに分割できる条件が自動的に選択されます。決定木は単体としての予測性能もさることながら、複数の決定木を組み合わせるランダムフォレストや勾配ブースティングといった、現代の機械学習で極めて強力なアンサンブル学習の基礎理論としても非常に重要な位置を占めています。
具体例・使われ方
具体的な利用例として、銀行の融資審査が挙げられます。例えば、「年収は400万円以上か？」→（Yes）→「勤続年数は3年以上か？」→（Yes）→「融資承認」といった、人間が理解しやすいルールで判断を下すことができます。また、顧客データから「どのような特徴を持つユーザーがサブスクリプションを解約しやすいか」を分析・予測するマーケティング分野でも広く活用されています。
似た用語との違い
決定木と混同されやすいものにランダムフォレストがあります。決定木は1つの木構造のみで予測を行うため、解釈が容易な一方で過学習を起こしやすいという特徴があります。これに対し、ランダムフォレストは、サンプリングデータを変えて多数の決定木を構築し、それらの予測結果を多数決や平均によって統合するアンサンブル学習の手法です。ランダムフォレストの方が予測精度や堅牢性は高くなりますが、決定木のような直感的な視覚化や解釈性は失われます。
注意点
決定木の最大の弱点は過学習（オーバーフィッティング）を起こしやすい点です。訓練データに適合させようとして木を深くしすぎると、未知のデータに対する予測精度が著しく低下します。これを防ぐために、不要な分岐を削る「剪定（プルーニング）」や、木の最大深度を制限する設定が必要です。また、データのわずかな変化によって、構築される決定木の構造が大きく変わってしまう「不安定さ」も併せ持っています。