FujiCert

データ・DX

決定木とは？

読み: けっていぎ英語: Decision Tree更新日: 2026-06-26

条件分岐を木の形で重ね、分類や回帰を行う機械学習モデルです。

試験で問われるポイント

  • 解釈しやすい一方、深くしすぎると過学習しやすくなります。
  • ランダムフォレストや勾配ブースティングの基礎になります。
  • 分類と回帰の両方に使われます。

具体例

年齢、利用頻度、購入履歴などの条件で解約リスクを予測します。

混同しやすい点

  • 決定木なら常に人間が完全に理解できると考える。
  • 木を深くするほど必ず性能が上がると考える。

対応試験

DS検定G検定

関連する表記: 決定木 / Decision Tree / 木構造モデル

関連問題で復習

G検定機械学習の概要・具体的手法

「決定木」の特徴として、最も適切なものはどれか。

G検定機械学習の概要・具体的手法

決定木の特徴として、最も適切なものはどれか。

G検定機械学習の概要・具体的手法

勾配ブースティング決定木（GBDT）の特徴として、最も適切なものはどれか。

G検定機械学習の概要・具体的手法

「ランダムフォレスト」の説明として、最も適切なものはどれか。

G検定機械学習の概要・具体的手法

ランダムフォレストの説明として、最も適切なものはどれか。

生成AIパスポートAI・生成AIの基礎

時系列データや文章など、順序が重要なデータの処理に適したネットワーク構造はどれか。

生成AIパスポートAI・生成AIの基礎

RNNの「長期依存性の学習が困難」という問題を改善したアーキテクチャはどれか。

関連用語

機械学習

データからパターンや規則を学び、予測や分類などに利用するAIの手法です。

分類

入力データをあらかじめ決められたカテゴリのどれかに振り分けるタスクです。

ランダムフォレスト

複数の決定木を組み合わせて、予測の安定性を高めるアンサンブル学習の手法です。

FujiCertの用語解説は、各試験の公式問題ではなく、学習者が問題演習で つまずきやすい観点を整理した非公式の学習支援コンテンツです。