Decision Tree
決定木はデータ空間を再帰的に分割する。内部ノードは特徴量のしきい値で分岐し、葉は予測を返す。解釈性が高い。
目的
解釈可能な分類・回帰モデルを提供し、ランダムフォレストや勾配ブースティングの基礎となる。
メカニズム
分割は情報利得の最大化（ID3/C4.5）またはジニ不純度の最小化（CART）による。純度基準や深さの上限に達するまで再帰する。枝刈りが過学習を防ぐ。
ユースケース
- 分類と回帰のモデリング
- 解釈しやすい ML
- 特徴量セレクション
決定木はデータ空間を再帰的に分割する。内部ノードは特徴量のしきい値で分岐し、葉は予測を返す。解釈性が高い。
解釈可能な分類・回帰モデルを提供し、ランダムフォレストや勾配ブースティングの基礎となる。
分割は情報利得の最大化（ID3/C4.5）またはジニ不純度の最小化（CART）による。純度基準や深さの上限に達するまで再帰する。枝刈りが過学習を防ぐ。