メインコンテンツへスキップ
見出し画像

【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。

    1. 【質問1】 「大きさは大きいですか?」 → はい

    2. 【質問2】 「鼻は長いの?」 → はい

    3. 【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


    【第59回】へ進む

    【第4章】へ戻る

    📚 シリーズトップへ戻る

    ✅ 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!🚀


     
     
    【G検定合格ロードマップ】 AIを「挫折と突破の物語」で理解し、最短で合格するメソッドを発信。 難しい専門用語を簡単な言葉でストーリー化して解説します。 丸暗記を捨て、効率的に重要キーワードを習得したい方は必見です

    あなたへのおすすめ