【第58回】AIは質問を繰り返して答えを見つける？決定木とは
前回の「k近傍法」では、周りの仲間を見て正体を決めるという、直感的な方法を学びました。でも、世の中には「まず〇〇かどうかを確認して、次に××を確認する」という、手順に沿って答えを出す方法もありますよね。今回は、まるで「はい/いいえ」の質問を繰り返して正解にたどり着くゲームのような、シンプルで分かりやすいAIの手法を解説します！
1. 読み方
決定木 ＝ けっていき （英語では Decision Tree と言い、「判断の樹（き）」という意味です）
2. 意味（定義）
決定木を一言でいうと、「条件分岐（はい/いいえ）を繰り返して、データを分類していく手法」のことです。
一番分かりやすい例えは、誰かが考えたものを当てる「20の質問（はい/いいえゲーム）」です。
例えば、ある動物が何かを当てるAIを作るとしましょう。
【質問1】 「大きさは大きいですか？」 → はい
【質問2】 「鼻は長いの？」 → はい
【結論】 「答えは ゾウ です！」
このように、条件によって枝分かれしていく様子が「木」を逆さまにしたように見えるため、決定木と呼ばれます。 AIは大量のデータから、「どの質問をすれば、一番効率よく正解にたどり着けるか」を自動的に計算して、この「質問リスト（木）」を作り上げます。
3. 歴史・背景
決定木がなぜ重要かというと、「人間にとって理解しやすいから」です。
多くのAI（特にディープラーニングなど）は、計算結果が複雑すぎて「なぜAIがそう判断したのか」が人間には分からない「ブラックボックス」になりがちです。 しかし、決定木は「〇〇が××だったから、この答えになった」という道筋がはっきり見えます。
「根拠が分からないから、このAIの判断は信じられない」という問題を防ぎ、説明責任（なぜそうなったかの説明）が求められる現場（医療や金融など）で非常に重宝されてきました。
4. 比較・対比（似た用語との違い）
前回の「k近傍法」や「ロジスティック回帰」と、決定木はどう違うのでしょうか。
【ロジスティック回帰（境界線を引く）】
やり方： データをきれいに分ける「1本の直線」を引く。
判断： 線より右か左かで決める。
弱点： 複雑に混ざり合ったデータだと、直線1本では分けきれない。
【決定木（階段状に分ける）】
やり方： 「〇〇以上か？」「××か？」という条件で、空間を四角く切り分けていく。
判断： 最終的にたどり着いた「箱（グループ）」で決める。
強み： 複雑なデータの分布でも、条件を増やせば柔軟に分けられる。
5. 活用シーン（実社会のどこで、どんな問題に使うか）
① 銀行のローン審査（与信判定） 「年収は〇〇万円以上か？」→ はい → 「勤続年数は〇年以上か？」→ はい → 「審査通過！」というように、明確なルールに基づいて判断を下すシーンで活用されています。
② 医療診断のサポート（診断フローチャート） 「熱があるか？」→ はい → 「咳が出ているか？」→ はい → 「インフルエンザの可能性あり」というように、医師が診断に使うフローチャートをAIがデータから自動作成し、診断をサポートします。
6. G検定での出題傾向
G検定では、特に「過学習（かがくしゅう）」との関係性がよく問われます。
決定木は、質問を増やせば増やすほど、どんなに複雑なデータでも完璧に分類できてしまいます。しかし、質問を増やしすぎると、「今回のデータにだけ完璧に当てはまる、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全然当たらない（汎用性がなくなる）という現象が起きます。
これを「過学習（学習しすぎ）」と呼びます。「木を深くしすぎると過学習しやすい」というポイントは、試験に繰り返し出題される最重要項目です。
7. G検定の例題
【問題1：最頻出（基礎的な定義）】
決定木の説明として、最も適切なものはどれか？
A. データの中心点からの距離でクラスを分類する手法である。
B. 特徴量に基づいて条件分岐を繰り返し、データを階層的に分類する手法である。
C. 境界線を1本の直線で引き、確率的にクラスを判定する手法である。
D. データをランダムに組み合わせて、多数決で答えを出す手法である。
【問題2：頻出（特徴に関する問題）】
決定木において、木を深く（条件分岐を多く）しすぎた場合に起こりやすい現象はどれか？
A. 未学習（学習不足）になり、精度が極端に低くなる。
B. 計算時間が短くなり、予測速度が向上する。
C. 過学習になり、訓練データには強いが未知のデータへの予測精度が落ちる。
D. 境界線が直線になり、単純なデータしか扱えなくなる。
【問題3：ひっかけ（勘違いしやすいポイント）】
決定木の特徴に関する記述として、誤っているものはどれか？
A. 判断の根拠が明確であり、人間にとって解釈しやすい。
B. 教師あり学習の一種であり、正解ラベルを用いて木を構築する。
C. どのようなデータ分布であっても、常にロジスティック回帰より精度が高い。
D. 木の深さを制限することで、過学習を抑制することができる。
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。決定木は「条件分岐（はい/いいえ）」を繰り返して、データを枝分かれさせていく手法です。Aはk-means、Cはロジスティック回帰、Dはランダムフォレストなどの一部の考え方です。
【問題2：回答】 C
【解説】 正解はCです。ここが重要ポイント！木を深くしすぎると、手元のデータにだけ完璧に適合した「細かすぎるルール」が出来上がります。その結果、新しいデータが来たときにうまく対応できなくなる（＝過学習）ということが起こります。
【問題3：回答】 C
【解説】 正解はCです（「誤っているもの」を選びます）。
A：フローチャート形式なので、人間が見て分かりやすいのが最大のメリットです。
B：正解（ラベル）を使って「どう分ければ正解になるか」を学ぶので、教師あり学習です。
C：【ここがひっかけ！】 どんな手法にも「絶対」はありません。単純な直線で分けられるデータなら、ロジスティック回帰の方がシンプルで高性能な場合もあります。
D：あえて途中で枝切り（剪定）をすることで、過学習を防ぐことができます。
9. Ankiアプリ用（CSV形式）
決定木（Decision Tree）とはどのような手法か？,条件分岐（はい/いいえ）を繰り返してデータを分類する手法。
決定木の最大のメリットは何か？,判断の根拠が明確で、人間にとって解釈しやすいこと。
決定木で木を深くしすぎたときに起こる問題は？,過学習（訓練データに適合しすぎ、未知のデータに弱くなること）。
決定木で過学習を防ぐための方法は？,木の深さを制限する（枝切り/剪定を行う）。
決定木は「教師あり学習」と「教師なし学習」のどちらか？,教師あり学習
📝 総評・まとめ
お疲れ様でした！決定木は、私たちが普段無意識に行っている「条件による判断」をそのままAIにしたような手法でしたね。 「人間が見て分かりやすい」というメリットがある反面、「こだわりすぎると（深くしすぎると）柔軟性がなくなる（過学習）」という弱点があることもセットで覚えておきましょう！
✅ 絶対に覚えて！
決定木 ＝ 「条件分岐（はい/いいえ）」の繰り返しで分類！
メリット ＝ 判断の根拠が明確で、人間が理解しやすい！
注意点 ＝ 木を深くしすぎると「過学習」になりやすい！
🚀 次回予告 1本の木は過学習しやすいという弱点がありました。では、たくさんの木を集めて「森」を作ったらどうなるでしょうか？
【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
✅ 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！🚀
