決定木编辑历史

# 決定木

## 1 基本概念

決定木（Decision Tree）は、機械学習やデータマイニングにおいて広く用いられる教師あり学習の一種であり、特徴量の条件分岐を木構造で表現することで、分類や回帰の予測モデルを構築する手法である。各内部ノードは特徴量に対するテスト、各枝はテストの結果、各葉ノードはクラスラベルまたは数値予測を表す。解釈のしやすさと可視化の容易さから、医療診断、金融リスク評価、マーケティング分析など様々な分野で応用されている。

### 1.1 木構造の構成要素

#### 1.1.1 ルートノード

ルートノードは決定木の最上位に位置するノードであり、最初の分割を行う特徴量とその閾値を決定する。すべてのデータはルートノードから木の探索を開始する。ルートノードの選択は学習アルゴリズムの分割基準に基づいて行われ、モデルの性能に大きな影響を与える。

#### 1.1.2 内部ノード

内部ノードはルートノードと葉ノードの間に位置するノードであり、特定の特徴量に対するテスト条件を保持する。データは内部ノードの条件に従って子ノードへと分岐し、木の深さが進むにつれてデータの分割が繰り返される。

#### 1.1.3 葉ノード

葉ノードは決定木の末端に位置するノードであり、それ以上分割は行われない。葉ノードには予測結果が格納される。分類問題では最も多数のクラスラベル、回帰問題では目的変数の平均値などが割り当てられる。

### 1.2 決定ルールの抽出

決定木からは、ルートノードから葉ノードに至る経路を論理積の条件として読み取ることで、解釈可能な決定ルールを抽出できる。例えば「年齢 > 30 かつ 収入 > 500万」の場合に「ロー