『質問を繰り返して答えにたどり着く』シンプルなのに強力なアルゴリズムが『決定木』です。20の質問ゲームに似た発想で、仕組みと強み・弱みを掴みましょう。ここから具体的なアルゴリズムが登場します。
雪村 ましろ
決定木…? えへへ、森にあるお話の木ですか〜?
香月 リサ 先生
植物ではないわよ、ましろちゃん。
『決定』をする『木』、つまり条件分岐の図が木の形をしているからその名前なの。
戸倉 ジャスミン
それ、『20の質問ゲーム』と同じじゃん! はい/いいえで絞り込むやつ。
香月 リサ 先生
まさに。
決定木は『この特徴量は◯◯以上?』みたいな質問を繰り返してデータを分けていくアルゴリズムよ。
例えば医療診断なら『体温37.5度以上?
→咳がある?
→喉が赤い?』と進んでいくイメージ。
深見 つむぎ
各分岐点(ノード)で、できるだけデータがきれいに分かれる条件を選んで木を作ります。
代表的な分割基準にジニ不純度やエントロピーがあります。
雪村 ましろ
木を逆さまにして、上から質問が流れていく感じですか〜?
香月 リサ 先生
その通り、最上部が『根』、末端が『葉』で、葉に到達した時点で『この入力はクラスA』のように判定されるわ。
戸倉 ジャスミン
メリットってなんなの?
深見 つむぎ
最大の強みは解釈性の高さです。
判断理由が『体温+咳』のように自然言語で説明できるため、医療や金融の意思決定に使いやすい。
香月 リサ 先生
医療や金融は『なぜAIがそう判断したか』を説明する義務がある分野だから、決定木の解釈性の高さが重宝されるのね。
規制対応の面でも強みになるわ。
香月 リサ 先生
ただし弱点もあるわ。
木を深くしすぎると訓練データに過剰に合わせてしまい、過学習が起きやすいの。
深さを制限したり、後述のランダムフォレストで改善するのが定番よ。
雪村 ましろ
木が育ちすぎるとダメって、自然界みたいですね〜。
戸倉 ジャスミン
深さ制限、剪定(せんてい)みたいじゃん。
植木屋さんの仕事だね。
深見 つむぎ
実際『剪定(pruning)』と呼びます。
枝を刈って汎化性能を上げる手法ですね。
事前剪定(成長前に制約)と事後剪定(作った後に刈る)の2種類があります。
香月 リサ 先生
もうひとつの弱点は、小さなデータの変動に敏感なこと。
1〜2点違うデータが入るだけで、木の構造が大きく変わってしまうことがあるのよ。
この不安定さを解消するのが、次回学ぶランダムフォレストなの。
雪村 ましろ
次回が楽しみです〜!
戸倉 ジャスミン
決定木って、AIの入り口としてはすごく直感的じゃん。
バドミントンの戦術決定も、試合の状況を順に質問して戦法を選ぶから似てるかも。
深見 つむぎ
いい観察です。
決定木は意思決定の自動化にも使われるため、業務フローの可視化にも応用されます。
雪村 ましろ
木の形で表せるって、絵としてもわかりやすくて良いですね〜!
戸倉 ジャスミン
プログラミングの if/else を視覚化した感じだね。
エンジニアじゃなくても読めそう。
深見 つむぎ
実は分類だけでなく回帰にも使えます。
葉ノードで連続値の平均を予測する『回帰木』の仕組みで、住宅価格予測などに応用されます。
香月 リサ 先生
試験では『決定木=条件分岐の繰り返し』『高い解釈性』『深いと過学習しやすい』の3点がよく問われるわ。
確認クイズ
決定木の特徴として正しいものはどれか?
- ブラックボックスで解釈が難しい
- 条件分岐の繰り返しで分類し、解釈性が高い
- 常に最も高い精度を出せる
- 教師なし学習にのみ使える
こたえを見る
正解: 2. 条件分岐の繰り返しで分類し、解釈性が高い
決定木は木構造で条件分岐を辿るため、なぜその判定になったかを説明しやすいのが最大の特徴です。教師あり学習(分類・回帰の両方)に使え、深層学習に比べ解釈性が高いのが強みです。