Excelでできる！重回帰分析の使い方【2026年最新版・初心者向け】
ルミィ
AIの歩き方
決定木とは？仕組み・ジニ不純度・剪定までやさしく解説【機械学習入門】
ルミィ
📌「機械学習の手法って結局どれもブラックボックスで、何でその答えになったのか説明できないんでしょ？」——そんなイメージを持っている人にこそ知ってほしいのが「決定木」です。決定木は、データを「YES／NO」の質問で枝分かれさせていく、人間の判断プロセスに近い形で理解しやすい機械学習手法。決定木そのものに加え、ランダムフォレストやXGBoostなどの発展手法として、ビジネスの現場でも広く使われています。この記事では、決定木の仕組み・ジニ不純度・剪定・実務での使いどころまで、初心者向けにやさしく解説します。
「AIで予測できるのはわかった。でも、その判断理由を上司やお客さんに説明できないと使えない」——ビジネスの現場では、こうした場面がよくあります。決定木は、まさにその「説明できる」を強みにした手法です。
この記事は「機械学習入門」シリーズの1本です。AIの全体像から知りたい方はAIの地図｜目的別にAIツールを探す、分析手法を順番に学びたい方はデータ分析・機械学習カテゴリもあわせてご覧ください。
決定木って、フローチャートを描く感覚に近いんだよね。だから「なんでAIってそう判断したの？」って聞かれても、ちゃんと説明できるのが強みなんだ～
📖 まずは線形回帰の基礎から学びたい方は
線形回帰分析とは？やり方から活用法まで徹底解説
をご覧ください。
🙋 決定木はこんな人に向いています
- 機械学習の仕組みを、まず直感的に理解したい人
- 「なぜその予測になったのか」を説明できるモデルを知りたい人
- 分類問題と回帰問題の基本をまとめて学びたい人
- ランダムフォレストやXGBoostに進む前の土台を作りたい人
- ビジネスで使いやすい機械学習手法を知りたい人
🌳 決定木とは何か｜イメージでつかむ
決定木（けっていぎ、Decision Tree）とは、データをYES／NOの質問で枝分かれさせていき、最終的に「このデータはこのクラス」と判定する手法です。たとえば「顧客が商品を買うかどうか」を予測したいとき、ツリーは次のように枝分かれしていきます。
「年齢は30歳以上？」→YESなら「年収500万円以上？」→YESなら「購入する」、NOなら「購入しない」——というふうに、質問を重ねていくうちに答えにたどり着くイメージです。この「質問と枝分かれの連鎖」が木のような構造に見えるため、決定木と呼びます。
📊 決定木は「分類」も「予測」もできる
決定木の強みのひとつは、ひとつの手法で「分類」と「数値予測」の両方ができることです。
「購入する／しない」「スパム／スパムでない」のようにクラスを予測するときは分類木、「売上はいくらか」「家賃はいくらか」のように数値を予測するときは回帰木と呼びます。どちらの場合も、「データを枝分かれさせて分けていく」という基本の考え方は同じです。この汎用性の高さが、決定木がビジネスで広く使われる理由のひとつになっています。
🧪 ジニ不純度｜「どこで枝分かれさせるか」を決める指標
決定木の中身でいちばんよく使われるのがジニ不純度（Gini Impurity）です。「枝分かれの基準（どの変数で・どの値で分けるか）を決めるためのものさし」と考えてください。
ジニ不純度はとてもシンプルで、「そのノード（枝先）に含まれるデータが、どれくらい混ざっているか」を表します。値は0に近いほど純粋で、2クラス分類では半々に混ざっているときに最大の0.5になります。3クラス以上では最大値が0.5を超えることもあります。「YESばかり」「NOばかり」のように1種類しかない状態ならジニ不純度＝0（純粋）です。
計算式は次の通りです。クラスiの割合をpiとすると：
Gini = 1 − Σ pi²
手で計算してみる｜数値例
式だけ見てもピンとこない人のために、実際の数値で追ってみましょう。
例：あるノードに10件のデータ。うち7件が「購入する（YES）」、3件が「購入しない（NO）」。
pYES = 7/10 = 0.7 pNO = 3/10 = 0.3
Gini = 1 − (0.7² + 0.3²) = 1 − (0.49 + 0.09) = 0.42
→ このノードはまだ混ざっている（0.42）。さらに枝分かれさせる価値がある。
比較：もし10件すべてが「YES」だったら？
Gini = 1 − (1.0² + 0²) = 0.00（完全に純粋。これ以上分ける必要なし）
決定木は枝分かれするたびに「分けたあとのジニ不純度がいちばん下がる質問はどれか？」を全変数から探して、いちばん効率よくデータを純粋にできる質問を選びます。これを葉が十分に純粋になるか、停止条件に達するまで繰り返すのが学習のしくみです。
✅ 決定木のメリット
決定木が長く愛されているのは、次のようなメリットがあるからです。
ひとつ目は、結果が人間にとってわかりやすいこと。判定の過程を「この質問にこう答えたから、この結論になった」と説明できます。この「説明可能性」は、金融や医療など、説明責任が重視される分野を理解するうえでも重要な考え方です。
ふたつ目は、データの前処理が比較的シンプルで済むこと。線形回帰のようにデータのスケールを細かく揃えなくても使いやすいのが特徴です。ただし、scikit-learnでカテゴリデータを扱う場合は、One-Hot Encodingなどで数値化してから学習させる必要があります。
みっつ目は、説明変数の重要度がわかること。「どの変数が予測に効いているか」がスコアとして出てくるため、ビジネス上の示唆を得やすくなります。
よっつ目は、非線形な関係も扱えること。変数間の関係が直線では表せないようなデータでも、枝分かれを重ねることで柔軟にフィットしてくれます。
⚠️ 決定木のデメリット
一方で、決定木には次のような弱点もあります。
ひとつ目は、過学習しやすいこと。枝分かれをどこまでも続けられるため、学習データに合わせすぎて未知データでは精度が下がる、という現象が起きやすくなります。これを防ぐには、後述する剪定（せんてい）でモデルの複雑さを適度に抑える必要があります。
ふたつ目は、データのブレに弱いこと。学習データが少し変わっただけで木の構造が大きく変わってしまう、という不安定さがあります。
みっつ目は、単体だと予測精度に限界があること。これらの弱点を補うために、「ランダムフォレスト」や「XGBoost」など、決定木をたくさん組み合わせる手法が登場しました。これらは現代のビジネスで最もよく使われる機械学習手法のひとつになっています。
✂️ 剪定（せんてい）｜過学習を防ぐ重要テクニック
決定木の過学習を防ぐためのもっとも基本的なテクニックが剪定（pruning）です。木が伸びすぎないように、適度なところで枝分かれを止めたり、できあがった枝を切り戻したりする操作のことを指します。剪定には大きく2種類のアプローチがあります。
🌱 事前剪定（pre-pruning）
木が育ちすぎる前に「これ以上は枝分かれさせない」というルールを最初から設定する方法です。scikit-learnのDecisionTreeClassifierでは、次のようなパラメータで事前剪定をコントロールします。
- max_depth：木の最大の深さ（例：5にすると、最大5階層までしか枝分かれしない）
- min_samples_split：枝分かれを試みる最低サンプル数
- min_samples_leaf：葉（最終ノード）に最低限残すサンプル数
- max_leaf_nodes：作る葉の数の上限
🌿 事後剪定（post-pruning）
いったん木を最後まで育ててから、「重要度の低い枝」を後から切り戻す方法です。scikit-learnではコスト複雑度剪定（CCP, Cost Complexity Pruning）が用意されており、ccp_alphaというパラメータで切り戻しの強さを調整できます。
💻 scikit-learnで書くと最小限こうなる
概念を押さえたら、実際にコードで動かすイメージも持っておきましょう。詳細な実装手順と可視化は次の記事で扱いますが、scikit-learnでの基本的な書き方はこうなります。
from sklearn.tree import DecisionTreeClassifier
# モデル定義（過学習を抑えるため max_depth を設定）
model = DecisionTreeClassifier(max_depth=5, min_samples_leaf=10, random_state=42)
# 学習
model.fit(X_train, y_train)
# 予測精度の確認
print(model.score(X_test, y_test))max_depth=5とmin_samples_leaf=10はあくまでも出発点の目安です。最適な値は交差検証で探します。Pythonによる実装の詳細・可視化コードは「決定木を実装する」記事で順を追って解説します。
💼 どんな場面で使われるか
ビジネスの具体例をいくつか見てみましょう。金融での信用スコアリング（この顧客に融資して大丈夫か）、医療での診断補助（この症状はどの病気の可能性が高いか）、マーケティングでの顧客セグメント・購入予測・解約予測、製造業での不良品検知など、活用範囲は非常に幅広いです。
特に「なぜそう判定したのかを、現場の人に説明したい」というケースで決定木は強い味方になります。
「精度が高い」だけじゃなくて、「説明できる」ってビジネスではすごく大事なんだよね。お客さんに理由を聞かれたとき、ちゃんと答えられるのが決定木のいいところ！
🌲 決定木・ランダムフォレスト・XGBoostの違い
決定木を学ぶと、次に必ず出てくるのがランダムフォレストやXGBoostです。それぞれどう違うのか、ざっくり比較してみましょう。
| 手法 | 特徴 | 強み | 向く場面 |
|---|---|---|---|
| 決定木 | 1本のツリー | 説明しやすい、実装が簡単 | 結果の根拠を説明したい場面 |
| ランダムフォレスト | 決定木を多数組み合わせた多数決 | 安定性が高く過学習しにくい | 精度と安定性を両立したい場面 |
| XGBoost / LightGBM | 弱い木を順番に積み上げる勾配ブースティング | 高精度、実務・分析コンペで広く使われる | 精度を最大限追いたい場面 |
「たくさんの決定木を作って、多数決で結論を出す」のがランダムフォレスト、「弱い木を少しずつ改善しながら積み上げる」のがXGBoostです。どちらも決定木を土台にした手法のため、決定木をしっかり理解しておくことが、これらへの理解の近道になります。
なお、XGBoostとLightGBMはどちらも勾配ブースティング系ですが、木の育て方や高速化の仕組みには違いがあります。ここでは「決定木を土台にした高精度な発展手法」と大づかみに理解しておけば十分です。
📚 関連記事と次のステップ
決定木の前段階として、回帰の基礎を押さえておくと理解がより深まります。また、分類タスクの定番であるロジスティック回帰も決定木と並んで重要な手法です。
▶ 関連記事：【完全ガイド】線形回帰分析を学ぶ全ステップ
▶ 関連記事：ロジスティック回帰とは？線形回帰との違いを初心者向けに解説
今後「AIの歩き方」では、決定木シリーズとして以下を順次公開していく予定です。
- Python（scikit-learn）で決定木を実装する
- 決定木の可視化（graphvizやplot_tree）
- ランダムフォレスト入門
- XGBoostとLightGBMの違い
- 特徴量重要度の見方
❓ よくある質問（FAQ）
Q1. 決定木とランダムフォレストはどう違いますか？
A. 決定木は「1本のツリーで結論を出す」手法、ランダムフォレストは「たくさんの決定木を作って多数決をとる」手法です。1本だけだと過学習しやすく不安定になりやすいですが、多数決にすることで精度と安定性が大きく上がります。実務では精度優先ならランダムフォレスト以上が選ばれることが多いですが、「根拠を説明したい」場面では1本の決定木に軍配が上がります。
Q2. 決定木はどんなデータに向いていますか？
A. 変数間の関係が非線形なデータや、条件分岐で説明しやすいデータに向いています。カテゴリ変数が多いデータにも使いやすい考え方ですが、scikit-learnで扱う場合はOne-Hot Encodingなどで数値化する必要があります。欠損値についても、使うライブラリや手法によって扱いが変わるため、必要に応じて補完や前処理を行ってから使うのが安全です。まず試してみて、交差検証で精度を評価するのが実務的なアプローチです。
Q3. ジニ不純度とエントロピー、どちらを使えばいいですか？
A. どちらを使っても、多くの場合は似たような木の構造になりやすいです。ただし、データによっては選ばれる枝分かれが変わることもあります。scikit-learnのデフォルトはジニ不純度（criterion='gini'）で、計算が軽いためそのまま使うのが一般的です。エントロピー（criterion='entropy'）も試してみて、検証精度が良い方を選ぶという進め方でも問題ありません。
Q4. 決定木はPythonで使えますか？
A. はい、scikit-learn（sklearn）というライブラリを使えば、数行のコードで実装できます。DecisionTreeClassifier（分類）やDecisionTreeRegressor（回帰）が用意されており、plot_tree関数で木を図として可視化することも可能です。具体的な実装手順は「決定木をPythonで実装する」記事で詳しく解説します。
Q5. 決定木の「深さ」はいくつに設定すればいいですか？
A. データによって異なりますが、最初はmax_depth=3〜5くらいの浅めの木から試すと、構造を理解しやすくなります。深くするほど学習データへの当てはまりは上がりますが、過学習のリスクも高まります。GridSearchCVなどの交差検証を使って、検証データでの精度が最も高くなる深さを探すのが確実です。
📖 まとめ｜「わかりやすい」が最大の武器
決定木は、機械学習の手法のなかでも「なぜそういう結論になったのか」が人間にわかりやすいという、大きな強みを持っています。そのわかりやすさは、ビジネスでモデルを実際に使ううえで極めて重要な価値です。
さらに、この決定木をベースにして、ランダムフォレストやXGBoost・LightGBMといった実務やデータ分析コンペでよく使われる木ベースの勾配ブースティング手法が発展しています。決定木を押さえることは、その先の手法を理解するための土台になります。
大事なポイントをもう一度整理しておきましょう。
- 決定木はYES／NOの質問を重ねて結論にたどり着く手法
- 枝分かれの基準はジニ不純度でデータの「混ざり具合」を測って決める
- 分類にも数値予測にも使える汎用性の高さが魅力
- 最大の強みは「説明できる」こと。金融・医療・マーケティングなど、説明責任が重視される分野を理解するうえでも重要
- 弱点は過学習と不安定さ。剪定とアンサンブルで克服できる
- ランダムフォレストやXGBoostへの登竜門になる
まずは「質問を重ねて枝分かれしていく」っていうシンプルなイメージをつかめればOK！次はPythonで実際に動かしてみたり、ランダムフォレストに進んでみたりしよう～
次に読むおすすめ記事
ChatGPT・Gemini・Claudeなどの会話AI、画像生成AI、動画生成AI、資料作成AI、AI検索ツールを初心者向けに解説するAIナビゲーター。実際に使ってみた感想や、仕事・学習・発信に役立つAI活用法をわかりやすく紹介しています。
