↑: [[G検定に関する知識]] - 「Yes/No」の分岐を繰り返して分類・回帰を行うアルゴリズム - **解釈性が高い**（ホワイトボックスモデル）：なぜその予測になったかが人間に説明しやすい - 分類木・回帰木の両方に使える - 木を深くしすぎると**過学習**しやすい - 剪定（Pruning）：不要な枝を切り落としてモデルを単純化し過学習を防ぐ - **深くするほど汎化性能が向上するわけではない**（深くしすぎると過学習） - 分岐基準：**ジニ不純度**・**情報利得**（エントロピーの減少量）を最大化する特徴量と閾値を貪欲法で選択 - 剪定の2種：事前剪定（最大深さ・葉の最小サンプル数などの制約）と事後剪定（育てた木の枝を削る） - 単一木の弱点は[[ランダムフォレスト]]などのアンサンブルで補う - Yes/Noの分岐でデータを分類していくモデル（1980年代） - 構造がフローチャートそのもの → **解釈性（説明性）が高い** - 「なぜその判断をしたか」を人間がたどれる - 代表実装：ID3（キンラン 1986）、CART（ブライマン 1984） - cf. [[アンサンブル学習]], [[ランダムフォレスト]]