決定木とは

決定木とは、「はい/いいえ」のような条件分岐を枝分かれの形でたどり、分類や予測を行う機械学習の手法です。健康診断の問診フローや、家電の「故障かな？」チャートのように、質問を順にたどって答えにたどり着きます。途中の判断理由がそのまま目に見えるのが、この手法ならではの強みです。

質問を枝分かれでたどる仕組み

決定木は、データを根（出発点）から順に枝分かれさせていきます。たとえば顧客が解約しそうかを予測するなら、「利用月数は半年未満か」「直近のログインはあるか」といった条件で次々に振り分け、最後の葉にたどり着いたところで「解約しそう/しなさそう」を判定します。代表的な作り方にはID3（1986年）やCART（1984年）があり、いずれも機械学習の古くからの定番です。

木が一本だけだと精度に限りがあるため、実務ではたくさんの決定木を束ねて使うのがふつうです。多数の木の意見をまとめるランダムフォレストや、木を一本ずつ足して誤りを補正していく勾配ブースティングがその代表になります。

表データのビジネス予測では今も主力級

「AIといえばChatGPTのような深層学習」と思われがちですが、決定木を束ねた手法は別系統で、売上や顧客データのような表形式のデータの予測が得意です。とくにXGBoostに代表される勾配ブースティング木は、2010年代半ば以降、データ分析のコンペで多くの優勝チームに選ばれてきました。画像や文章は深層学習、表データは決定木系、というように、両者は競合というより役割分担の関係にあります。

決定木に関するよくある質問

決定木の強みは何ですか？

判断の理由がそのまま目に見える点です。「利用月数は半年未満か」「直近のログインはあるか」といった条件で枝分かれをたどり、最後の葉で結論にたどり着くため、どの条件でどう振り分けたかを人間がそのまま説明できます（ホワイトボックス）。融資審査や医療など説明責任が問われる場面で今も選ばれます。

決定木は深層学習に取って代わられたのですか？

いいえ、役割分担の関係です。画像や文章は深層学習が得意ですが、売上や顧客データのような表形式のデータの予測は決定木を束ねた手法が今も主力級で、とくにXGBoostに代表される勾配ブースティング木は2010年代半ば以降データ分析コンペの優勝常連です。

決定木は1本だけで使うのですか？

木が1本だと精度に限りがあるため、実務では多数の木を束ねて使うのがふつうです。たくさんの木の意見をまとめるランダムフォレストや、木を一本ずつ足して誤りを補正する勾配ブースティングが代表で、作り方にはID3（1986年）やCART（1984年）といった古くからの定番があります。