決定木
Decision Tree
条件分岐を木構造で表現し、予測や分類を行う機械学習手法。解釈性が高く、業務AIの裏側でも広く使われる。
決定木とは
決定木（Decision Tree）は、条件分岐を木構造で積み重ねて予測や分類を行う機械学習手法です。「年収が〇〇円以上か」「年齢が〇〇歳以上か」といったYes/Noの質問を枝分かれさせて、最終的な判断（葉）にたどり着きます。
教師あり学習の代表的な手法で、分類・回帰の両方に使えます。
特徴
- 解釈性が高い: なぜその予測になったかを、分岐の流れとして説明できる
- 前処理が少なくてよい: 数値・カテゴリが混在していても扱える
- 非線形な関係に対応: 複雑な条件の組み合わせも表現可能
一方で、単体では過学習しやすく、データが少し変わると木の形が大きく変わるという弱点もあります。
他手法との違い
- ランダムフォレスト: 多数の決定木の多数決で精度と安定性を上げた手法
- XGBoost / 勾配ブースティング: 決定木を順に積み重ねて誤差を減らす手法
単体で使うよりも、こうしたアンサンブル手法の構成要素として活躍する場面が多くあります。
実務との関わり
士業事務所が直接モデルを組むことはまずありませんが、与信判定・リスクスコア・異常検知などを行う業務AI製品の裏側では、決定木系のアルゴリズムが今も広く使われています。「解釈性のあるAI」の代表例として覚えておくとよいでしょう。