【第59回】AIは1本の木より森のほうが強い？ランダムフォレストとは
前回の「決定木」では、はい/いいえの質問を繰り返して答えを出す方法を学びました。でも、1人の意見だけで決めると、「たまたまその人の偏った考え」で間違った答えになることがありますよね。そこで今回は、たくさんの決定木を集めて「多数決」で正解を導き出す、よりパワフルな手法について解説します！
1. 読み方
ランダムフォレスト ＝ らんだむふぉれすと （英語では Random Forest。文字通り「ランダムに作られた森」という意味です）
2. 意味（定義）
ランダムフォレストを一言でいうと、「たくさんの決定木を作り、その結果を多数決で決める手法」のことです。
イメージしやすいように、「名医100人による診断会議」に例えてみましょう。
もし、1人のお医者さんにだけ症状を伝えて診断してもらうと、その先生がたまたま「最近、風邪の患者さんが多いな」という先入観を持っていたら、本当は違う病気なのに「風邪ですね」と診断されてしまうかもしれません（これが決定木の「過学習」のような状態です）。
そこで、以下のようなルールで100人の医師を集めます。
【データのランダム化】 医師100人に、患者さんのカルテを少しずつ違う組み合わせで渡す。
【視点のランダム化】 医師によって「熱に注目して診断して」「咳に注目して診断して」と、見るポイントをバラバラにする。
【多数決】 100人の医師にそれぞれ診断してもらい、一番多かった診断結果を最終的な答えにする。
1人ひとりは少しずつ偏った判断をしたかもしれませんが、100人の意見をまとめれば、個人のミスや偏りが打ち消し合い、非常に精度の高い正解にたどり着けます。これが「ランダムフォレスト」の仕組みです。
3. 歴史・背景
なぜこんな面倒なことをするのでしょうか？それは、前回の記事でも触れた「過学習（学習しすぎ）」という決定木の弱点を克服するためです。
決定木は非常に優秀ですが、学習データにこだわりすぎると「このデータだけに当てはまる超細かいルール」を作ってしまい、新しいデータが来たときに使い物にならなくなる傾向がありました。
そこで、「1本の完璧な木を作るのではなく、適度に個性の違う（ランダムな）木をたくさん作り、平均化すれば安定するはずだ！」というアイデアからランダムフォレストが生まれました。
これにより、「理解しやすさ」という決定木のメリットは少し減りますが、代わりに「誰が使っても安定して高い精度が出る」という強力な武器を手に入れたのです。
4. 比較・対比（似た用語との違い）
前回の「決定木」と、今回の「ランダムフォレスト」の違いを整理しましょう。
【決定木（1本の木）】
構造： 1つのフローチャートで完結。
メリット： 「なぜその答えになったか」がパッと見て分かりやすい。
デメリット： 訓練データに適合しすぎて、未知のデータに弱い（過学習しやすい）。
【ランダムフォレスト（たくさんの木の森）】
構造： 数十〜数千本の決定木を組み合わせて、多数決を取る。
メリット： 過学習しにくく、予測精度が非常に高い。
デメリット： 木がたくさんありすぎて、人間が中身を見て「なぜこの答えになったか」を理解するのが難しい（ブラックボックス化しやすい）。
5. 活用シーン（実社会のどこで、どんな問題に使うか）
① 銀行の不正利用検知（クレジットカードなど） 「利用金額が急に増えた」「海外で使われた」「深夜に購入された」など、たくさんの条件を複数の決定木でチェックします。1つの条件だけでは「旅行に行っただけ」かもしれませんが、多くの木が「これは不正だ！」と判定すれば、カードを停止させるという判断を下せます。
② カスタマー離脱予測（サブスクサービスの解約防止） 「ログイン回数が減った」「プランを変更した」「サポートに問い合わせた」などのデータから、「このユーザーは解約しそうか」を予測します。多くの決定木で多角的に分析することで、精度の高い予測を行い、適切なタイミングでクーポンを送るなどの対策に活用されています。
6. G検定での出題傾向
G検定では、主に以下の3つのポイントが問われます。
「アンサンブル学習」の一種であること （※複数のモデルを組み合わせて精度を上げる手法の総称をアンサンブル学習と言います。次回詳しくやります！）
過学習を抑制できること （決定木の弱点を、多数決という仕組みでカバーしている点が出題されます）
バギング（Bagging）という仕組み （データをランダムに重複ありで抽出して、別々の木に学習させる手法のこと。名前だけでも覚えておきましょう）
7. G検定の例題
【問題1：最頻出（基礎的な定義）】
ランダムフォレストの説明として、最も適切なものはどれか？
A. 1本の非常に深い決定木を作り、詳細なルールで分類する手法である。
B. 複数の決定木を作成し、その予測結果を多数決などで統合して最終的な出力を決定する手法である。
C. データの中心点からの距離を計算し、最も近いグループに分類する手法である。
D. 特徴量を1つに絞り込み、単純な境界線を引いて分類する手法である。
【問題2：頻出（特徴に関する問題）】
ランダムフォレストが、単一の決定木よりも優れている点として、最も適切なものはどれか？
A. 判断の根拠がより明確になり、人間が理解しやすくなる。
B. 計算時間が大幅に短縮され、メモリ消費が極めて少なくなる。
C. 複数のモデルの結果を組み合わせることで、過学習を抑制し汎用性を高められる。
D. データの量に関係なく、常に100%の正解率を出すことができる。
【問題3：ひっかけ（勘違いしやすいポイント）】
ランダムフォレストの学習プロセスに関する記述として、誤っているものはどれか？
A. すべての決定木に、全く同じ学習データをそのまま与えて作成する。
B. 各決定木を作る際、使用する特徴量（項目）をランダムに制限することがある。
C. 分類問題の場合、最終的な答えは各決定木の多数決によって決定される。
D. 決定木をたくさん組み合わせることで、個々の木の誤差を打ち消し合うことができる。
8. 7の例題の回答と解説
【問題1：回答】 B
【解説】 正解はBです。ランダムフォレストの核心は「決定木の集合体（森）」であり、「多数決」で答えを出すことです。Aは単なる決定木の説明です。
【問題2：回答】 C
【解説】 正解はCです。決定木1本では「学習データにだけ強い（過学習）」という弱点がありましたが、ランダムフォレストはそれを多数決で打ち消すため、新しいデータに対しても高い精度（汎用性）を発揮します。Aはむしろ決定木の方が得意な点です。
【問題3：回答】 A
【解説】 正解はAです（「誤っているもの」を選びます）。 ここが重要！もし全部の木に「全く同じデータ」を渡し、「同じルール」で木を作ったら、全部同じ結果になります。それでは多数決の意味がありません。 あえて「データをランダムに変える（バギング）」ことで、少しずつ個性の違う木を作り、多様性を持たせることがランダムフォレストの成功の鍵です。
9. Ankiアプリ用（CSV形式）
ランダムフォレストとはどのような手法か？,複数の決定木を作成し、その結果を多数決などで統合して予測する手法。
ランダムフォレストが決定木よりも優れている点は？,過学習を抑制でき、未知のデータに対する予測精度（汎用性）が高くなること。
ランダムフォレストでデータをランダムに抽出して各木に割り当てる手法を何と呼ぶか？,バギング（Bagging）
ランダムフォレストのデメリットは何か？,決定木に比べて構造が複雑なため、判断根拠が人間には分かりにくい（ブラックボックス化）。
ランダムフォレストのように複数のモデルを組み合わせる学習手法の総称は？,アンサンブル学習
📝 総評・まとめ
お疲れ様でした！「1人の天才よりも、多様な視点を持つ100人のチームの方が強い」という、社会の真理のような仕組みがランダムフォレストでしたね。 決定木という「個」の力を、アンサンブルという「集団」の力に変えることで、AIはより実用的で強力なツールへと進化しました。
✅ 絶対に覚えて！
ランダムフォレスト ＝ 決定木の多数決！
メリット ＝ 過学習を防いで精度が安定する！
キーワード ＝ バギング（データのランダム抽出）！
🚀 次回予告 ランダムフォレストは、実はある大きな戦略の一部でした。その戦略の名前こそが…。
【第60回】AIはみんなの意見を集めたほうが強い？アンサンブル学習とは
✅ この記事が役に立ったら「スキ」で応援してください！
あなたの応援が、次の解説を作るエネルギーになります！🚀
