【第55回】AIは質問を重ねて答えを出す？決定木とは
「はい」「いいえ」をくり返しながら答えにたどり着く方法を見たことはありませんか？
その考え方を機械学習で使ったものが決定木です。
この記事では、分かれ道をたどって判断する仕組みをやさしく解説します。
1. 読み方
けっていぎ (Decision Tree)
2. 意味（定義）
「データの特徴量に対して、『はい』か『いいえ』の質問を繰り返していくことで、最終的な答えにたどり着く仕組み」のことです。
樹木（ツリー）のような形をしており、根っこの部分から枝分かれしていき、最後に葉っぱ（結論）に到達します。
構造のイメージ:
根ノード (Root Node): 最初の質問（例：「気温は25度以上ですか？」）。 分類・回帰の出発点となる一番上の分岐。
中間ノード (Internal Node/Decision Node): 分岐の途中の質問（例：「湿度は高いですか？」）。
枝 (Branch): 「はい」や「いいえ」といった、質問の結果による道。
葉ノード (Leaf Node): 最終的な答え（例：「明日は雨です」「このメールはスパムです」）。
3. 歴史・背景
決定木の考え方は、人間が論理的に物事を判断するプロセスそのものです。「もし〜ならば、〜である」というルールを自動的に見つけ出す手法として、古くから統計学やデータマイニングの分野で研究されてきました。
コンピュータが大量のデータを見て、「どの質問（特徴量）で分ければ、最も綺麗にグループ分けできるか？」を数学的に計算できるようになり、現在では非常に強力な意思決定ツールとして確立されています。
4. 比較・対比（似た用語との違い）
ここが試験で狙われる「整理」ポイントです！
決定木 vs ニューラルネットワーク ★超重要
決定木: 「なぜその結論になったのか」という理由が、質問のプロセスとして人間にも明確にわかる（説明可能）。
ニューラルネットワーク: 非常に複雑な計算が行われるため、なぜその結果になったのかが人間にはブラックボックス化しやすい（説明困難）。
決定木 vs ランダムフォレスト ★超重要
決定木: 「1本の樹木」だけで判断する。単体だと、学習データに合わせすぎてしまう「過学習」が起きやすい。
ランダムフォレスト: 「たくさんの決定木」を作り、それらの多数決で答えを決める（アンサンブル学習）。決定木よりも精度が高く、安定している。
5. 活用シーン（どんな問題に使うか）
与信審査 (Credit Scoring): ローンを申し込んだ人が「返済できるか・できないか」を、年収や職業などの条件分岐で判定する。
医療診断: 「血圧が高い」「血糖値が一定以上」といった条件の組み合わせから、病気の可能性を予測する。
マーケティング: 顧客の属性（年齢、購入履歴）に基づいて、「キャンペーン対象にするか否か」を決定する。
6. G検定での出題傾向
G検定では、以下のポイントが狙われます！
「説明可能性」というキーワード: 「判断根拠が明確である」「人間が理解しやすい」という特徴を見抜く。
「過学習 (Overfitting)」への脆弱性: 決定木は、枝を増やしすぎると学習データにぴったり合わせすぎてしまい、未知のデータに弱くなる（過学習）という性質。
アンサンブル学習との関係: 「ランダムフォレスト」や「勾配ブースティング（XGBoostなど）」といった、決定木を応用した強力な手法の名前と仕組みの理解。
分割の指標: データを分けるときに使われる「ジニ係数」や「エントロピー」といった、データの「乱雑さ」を測る指標の用語。
7. G検定の例題
【問題1：特性の理解】
決定木（Decision Tree）を用いた機械学習モデルの大きな特徴として、適切なものはどれですか？
A. 計算プロセスが極めて複雑であるため、判断の根拠を人間が理解することは困難である。
B. 判断の根拠となるルールが、「もし〜ならば」という形式の分岐として可視化できるため、説明可能性が高い。
C. 学習データに対して完全に適合するように枝分かれを無限に繰り返すことができるため、未知のデータに対しても常に高い精度を維持できる。
D. 決定木は単一のモデルであり、複数の決定木を組み合わせる手法（アンサンブル学習）には発展させることができない。
【問題2：過学習と発展手法】
決定木を用いた学習において、枝分かれが細かくなりすぎた結果、訓練データには非常によく適合するものの、テストデータに対しては予測精度が著しく低下してしまう現象を何と呼びますか？また、この問題を解決するために、複数の決定木を組み合わせて予測を行う手法の名称として適切なものはどれですか？
A. 過学習（Overfitting） ／ ランダムフォレスト (Random Forest)
B. 未学習（Underfitting） ／ 決定木 (Decision Tree)
C. 過学習（Overfitting） ／ ニューラルネットワーク (Neural Network)
D. 正則化 (Regularization) ／ ロジスティック回帰 (Logistic Regression)
8. 例題の回答と解説
【問題1 の回答】
正解：B
【解説】 決定木は、質問の分岐（枝分かれ）を辿るだけで結論にたどり着くため、人間がそのプロセスを視覚的に理解・説明することが可能です。これが「説明可能性が高い」という意味です。A はニューラルネットワークなどの特徴、C は過学習の説明であり誤りです。D は、ランダムフォレストのようなアンサンブル学習の基礎となるため誤りです。
【問題2 の回答】
正解：A
【解説】 学習データに合わせすぎて精度が落ちる現象は「過学習（Overfitting）」と呼ばれます。そして、この決定木の弱点である過学習を克服するために、たくさんの決定木を作って多数決をとる手法が「ランダムフォレスト」です。B, C, D は用語の使い方が不適切です。
