はじめての決定木分析 | 基礎から実践まで初心者向けに解説
機械学習の入門で必ず登場するのが 決定木（Decision Tree）です。
決定木は直感的でわかりやすく、ビジネスでもよく使われる代表的なモデルです。
この記事では、次の内容をを初心者向けに解説します。
- 決定木とは何か
- どんな問題に向いているのか
- データ準備から評価・改善までの実践フロー
- 次に学ぶべき発展手法
決定木とは？
決定木（Decision Tree）とは、条件分岐を繰り返して答えにたどり着くモデルです。
- 年齢は30歳未満？
- 収入は500万円以上？
- 過去に購入経験がある？
たとえば上記のような質問を順にたどって、最終的に「購入する / しない」といった判断を行います。
決定木の特徴
なぜそうなったかが視覚的にわかる
最大の強みは、分析プロセスが樹形図として可視化されることです。複雑な数式を知らなくても、「Aという条件を満たし、かつBであれば、結果はCになる」というロジックを誰でも直感的に理解できます。
前処理の手間が少ない
他の機械学習アルゴリズム（回帰分析やニューラルネットワークなど）に比べて、データの準備が楽です。
外れ値に強い
極端な数値があっても引きずられにくい。
データの種類を問わない
数値とカテゴリー（Yes/Noなど）を混ぜてそのまま投入できます。
ビジネス現場での意思決定に強い
精度だけでなく、説明責任が求められるビジネスシーン（銀行の融資審査、マーケティングのターゲット選定、離職予測など）では、ブラックボックス化しやすいAIよりも決定木の方が好まれることが多いです。
決定木の強みと弱み
| 強み（メリット） | 弱み（デメリット） |
|---|---|
| 解釈が容易、非線形な関係も捉えられる、データの正規化が不要。 | 過学習しやすく、予測精度が他の最新手法に劣る場合がある。 |
どんな場面で使われる？
決定木は次のような場面で活躍します。
- 顧客の離脱予測
- クレジット審査
- 商品購入の予測
- 医療診断支援
- 不良品検知
なぜこの判断になったのか、を説明できる点がビジネス利用で特に重宝されます。
実践ワークフロー
ここからは、架空のECサイトデータを例に、問題設定 → 学習 → 評価 → 改善までを順番に見ていきます。
Step1. 問題設定
目的
顧客が商品を購入するかどうかを予測する。
| 目的変数（y） | 説明変数（X） |
|---|---|
| 購入したか（0 / 1） | 年齢、閲覧回数、過去購入回数、収入 など |
まずは、何を当てたいのかを明確にするのが重要です。
Step2. データ準備
この工程が実務では一番時間がかかります。
主に行うこと
- 欠損値の確認と補完
- カテゴリ変数の変換
- 学習用・テスト用データの分割
(例) Python
import pandas as pd
from sklearn.model_selection import train_test_split
df = pd.read_csv("customer_data.csv")
# 欠損確認
print(df.isnull().sum())
# 欠損を平均で補完（例）
df["age"] = df["age"].fillna(df["age"].mean())
X = df.drop("purchase", axis=1)
y = df["purchase"]
X_train, X_test, y_train, y_test = train_test_split(
X, y, test_size=0.2, random_state=42
)
customer_data.csv は、複数特徴量を持つ次のような構造を想定
| カラム名 | 内容 | 例 |
|---|---|---|
| age | 年齢 | 35 |
| income | 年収（万円など） | 520 |
| page_views | 商品閲覧回数 | 12 |
| past_purchases | 過去購入回数 | 3 |
| gender | 性別（M / F） | M |
| purchase | 今回購入したか（目的変数） | 1 |
※実務ではカテゴリ変数処理も必須です
Step3. 決定木モデルをつくる
まずはシンプルな決定木を学習させます。
from sklearn.tree import DecisionTreeClassifier
model = DecisionTreeClassifier(
max_depth=4,
random_state=42
)
model.fit(X_train, y_train)
ここでmax_depth（木の深さ）を制限するのがポイントです。
深くしすぎると訓練データを丸暗記してしまいます。
Step4. 予測と評価
from sklearn.metrics import accuracy_score, classification_report
y_pred = model.predict(X_test)
print("Accuracy:", accuracy_score(y_test, y_pred))
print(classification_report(y_test, y_pred))
ここで見るポイント
🔍 精度が極端に高すぎないか
🔍 Precision / Recall のバランス
🔍 クラスごとの性能差
Step5. 木を可視化する
決定木の最大の強みは、構造を図で見られることです。
import matplotlib.pyplot as plt
from sklearn.tree import plot_tree
plt.figure(figsize=(14, 8))
plot_tree(model,
feature_names=X.columns,
class_names=["No", "Yes"],
filled=True)
plt.show()
最初に分岐している特徴量がもっとも重要な変数です。
Step6. 過学習を防ぐチューニング
決定木では次のパラメータを調整します。
| パラメータ | 意味 |
|---|---|
| max_depth | 木の最大の深さ |
| min_samples_leaf | 葉に必要な最小サンプル |
| min_samples_split | 分割に必要な最小数 |
チューニングの例（GridSearch）
from sklearn.model_selection import GridSearchCV
params = {
"max_depth": [3, 4, 5, 6],
"min_samples_leaf": [5, 10, 20]
}
grid = GridSearchCV(
DecisionTreeClassifier(random_state=42),
params,
cv=5
)
grid.fit(X_train, y_train)
print("Best params:", grid.best_params_)
Q&A
数値特徴量はどう分割される？
年齢（age）や収入（income）のような数値データは、以下のような境界値を決定木アルゴリズムが自動で選びます。
- 30歳未満 / 以上
- 33.5歳以下 / 超
- 47歳以下 / 超
すべての変数が2分割？
scikit-learnの決定木（CART方式）は必ず2分岐です。
なので各ノードでは必ずこのような形になります。
age <= 33.5 ?
├─ Yes
└─ No
カテゴリ変数（性別など）は？
Genderが M / F のように2種類ならと以下のような形で分かれます。
gender_M <= 0.5 ?
3種類以上ある場合も、ダミー変数化された列を使って0/1で分岐します。
人が決めるのは何？
人が決めるのは、木の深さ制限（max_depth）・葉に必要な最小データ数・使う変数の選択です。
次のステップ | アンサンブル学習
現在では、単体の決定木だけでなく、複数の決定木を組み合わせる「アンサンブル学習」という手法が主流です。
Random Forest
たくさんの決定木を作って多数決をとります。
勾配ブースティング（XGBoost / LightGBM）
決定木のミスを次の決定木が修正していきます。
Random Forestの例
from sklearn.ensemble import RandomForestClassifier
rf = RandomForestClassifier(
n_estimators=200,
max_depth=6,
random_state=42
)
rf.fit(X_train, y_train)
まとめ
✔ 決定木は質問を重ねるモデル
✔ 可視化できて説明しやすいのが特徴
✔ 深さ制限が重要
✔ 評価指標で性能を必ず確認
✔ 次はアンサンブルへ進む
