ディシジョンツリーとは 意思決定と機械学習の2つの使い方・作り方と注意点

「ディシジョンツリーを使って判断したい」「決定木分析でデータを分析したいと言われた」。同じ言葉なのに、調べてみると解説の内容がまったく違う。そう感じた方は少なくないはずです。

この言葉には2つの意味があります。1つは選択肢を比較して意思決定するためのフレームワーク、もう1つはデータから規則性を見つける機械学習のアルゴリズムです。

共通しているのは、分岐を木の形で表現するという構造だけです。使う目的、作り方、必要なものはいずれも異なります。この区別をしないまま情報を集めると、混乱するのは当然です。

この記事では、まず2つの意味を切り分けたうえで、それぞれの使い方と作り方、類似手法との違い、そして実務で使う際の注意点までを順に整理します。

確認したいポイント	結論	詳細
ディシジョンツリーとは？	分岐を木の形で表す手法	意思決定のフレームワークと、機械学習のアルゴリズムという2つの意味で使われます。
何が分かる？	選択肢の比較と、結果を分ける要因	前者は期待値で選択肢を評価し、後者はデータから影響の大きい項目を見つけます。
最大の利点は？	結果の理由を説明できる	判断の経路が図で見えるため、関係者への説明や合意形成に使えます。
注意点は？	過学習と結果の不安定さ	木を深くすると精度が見かけ上上がります。データが少し変わると別の木になります。

この記事でわかること

• ディシジョンツリーが持つ2つの意味と、どちらを指しているかの見分け方
• 意思決定に使う場合の作り方4ステップと、期待値による比較の計算例
• 機械学習に使う場合の分類木と回帰木の違い、分割の基準
• ロジックツリーやデシジョンテーブルとの違い
• 過学習や結果の不安定さといった、実務で押さえるべき注意点

データ活用とAI導入の進め方をまとめた資料を無料で配布しています どのデータから活用を始めるべきかの見極め方、分析を施策につなげる手順、費用の目安を1冊にまとめました。 検討段階の情報収集にご活用いただけます。 ＞ 資料請求はこちら ※オンライン完結／しつこい営業は一切いたしません

ディシジョンツリーとは｜2つの意味

ディシジョンツリーは、日本語では決定木と訳されます。条件による分岐を、木が枝分かれするような図で表現する手法です。

ただし、この言葉が使われる文脈は2つに分かれます。混同されやすいため、最初に整理します。

意思決定のフレームワークとして

1つ目は、複数の選択肢を比較して、どれを選ぶべきかを検討するための道具としての使い方です。デシジョンツリー分析、意思決定樹とも呼ばれます。

起点に「決めたいこと」を置き、そこから選択肢を枝として伸ばします。各選択肢の先に、起こりうる結果とその確率、そして金額を置きます。期待値を計算して比較するのが基本の使い方です。

新規事業に投資するかどうか、どの販路を選ぶか、設備を更新するか修理で済ませるか。不確実性がある中での判断に使われます。特別なデータやツールは不要で、紙とペンでも作れます。

機械学習アルゴリズムとして

2つ目は、データから規則性を学習し、分類や予測を行うアルゴリズムとしての使い方です。決定木分析、決定木学習と呼ばれます。

こちらは人が枝を書くのではなく、データをもとにプログラムが自動で木を組み立てます。「年齢が40歳以上で、購入回数が3回以上なら、継続率が高い」といった規則が、データから導き出されます。

顧客の離反予測、購買層の分類、不良品の判定。過去のデータがあり、それをもとに予測したい場合に使われます。実行には分析ツールやプログラミング環境が必要です。

どちらを指しているかの見分け方

会話や資料の中でどちらを指しているかは、周辺の言葉で判断できます。

• 期待値、確率、選択肢、リスクという言葉が出てくる → 意思決定のフレームワーク
• 学習データ、目的変数、説明変数、精度、過学習という言葉が出てくる → 機械学習

両者は目的が違うため、代替関係にはありません。意思決定の道具として使いたいのに機械学習の解説を読んでも、必要な情報は得られません。

この記事では、第3章で意思決定としての使い方、第4章で機械学習としての使い方を扱います。必要な章から読み進めてください。

構成要素と読み方

図の構造は両者で共通しています。基本的な用語を押さえておくと、どちらの文脈でも図を読めるようになります。

ノードと枝

木の図を構成するのは、ノード（節点）と枝（ブランチ）です。ノードが分岐点、枝がそこから伸びる線になります。

• ルートノード（根ノード）：起点となる最初のノード。図の一番上または左端
• 内部ノード：途中の分岐点。条件による判定が行われる
• リーフノード（葉ノード）：これ以上分岐しない終端。結論や予測値が入る

上から下へ、または左から右へ読み進めるという約束があります。ルートノードから枝をたどり、リーフノードに到達したところが結論になります。

階層の数を深さ（depth）と呼びます。ルートから最も遠いリーフまでの分岐の回数です。この深さが、後で述べる注意点に関わってきます。

決定ノードと確率ノード

意思決定に使う場合には、ノードを2種類に区別します。図では形を変えて描き分けるのが一般的です。

• 決定ノード（四角で表す）：自分が選べる分岐。選択肢が枝として伸びる
• 確率ノード（丸で表す）：自分では選べない分岐。起こりうる結果とその確率が枝になる

この区別が重要です。「自社で選べること」と「選べないこと」を分けて考えることが、この手法の本質にあたります。

たとえば「値下げするか据え置くか」は決定ノードですが、「値下げした結果、売上が伸びるか伸びないか」は確率ノードになります。

機械学習の場合の用語

機械学習として使う場合、ノードの意味が変わります。各ノードは判断ではなく、データを条件で分けた集まりを表します。

内部ノードには「年齢が40歳以上か」といった条件が入り、枝はその条件を満たすか満たさないかに対応します。リーフノードには、分類結果や予測値が入ります。

予測したい項目を目的変数、予測に使う項目を説明変数と呼びます。年齢や購入回数が説明変数、継続するかどうかが目的変数という関係です。

意思決定に使う｜期待値で選択肢を比較する

不確実性がある中で選択肢を比べるための使い方です。作り方は4ステップで、特別な道具は要りません。

ステップ1｜決めたいことを明確にする

起点に置くのは、今まさに決めなければならないことです。ここが曖昧だと、図全体が意味を持ちません。

「売上を伸ばす方法」は決めたいことではありません。「新商品の販路として、自社ECを構築するか既存モールに出店するか」であれば、判断できる形になっています。

判断の期限と、判断に使える予算も明記します。これが選択肢の範囲を規定します。

ステップ2｜選択肢を書き出す

決定ノードから伸ばす枝を決めます。「何もしない」という選択肢を必ず含めるのが実務上のコツです。

現状維持のコストと比較しないと、投資の意味が判断できません。何もしないことによって失われるものも、金額で見積もります。

選択肢は3つから4つに絞ります。それ以上並べると、比較の作業が煩雑になり、結論が出にくくなります。

ステップ3｜結果と確率を置く

各選択肢の先に確率ノードを置き、起こりうる結果とその確率、そして金額を書き込みます。

結果は2つか3つに整理します。「成功」「不振」の2分岐、あるいは「好調」「想定どおり」「不振」の3分岐が扱いやすい形です。

確率の合計は必ず100%になるようにします。確率の見積りが最も難しい部分ですが、過去の実績、同業他社の事例、担当者の経験から置きます。根拠をメモに残しておきます。

ステップ4｜期待値を計算して比較する

期待値は、結果の金額に確率を掛けて足し合わせた値です。各選択肢について計算し、比較します。

期待値 ＝ Σ（結果の金額 × その確率）

計算は、木の右端（リーフ）から左へ向かって進めます。確率ノードでは期待値を計算し、決定ノードではその中から最も有利な枝を選ぶという手順です。

計算例で確認する

新商品の販路を決める場面を例にします。金額は初期投資を差し引いた純利益で置きます。

【選択肢A】自社ECを構築（初期投資500万円）

　成功（確率40%）：純利益 1,500万円

　不振（確率60%）：純損失 －200万円

　期待値 ＝ 1,500×0.4 ＋（－200）×0.6 ＝ 480万円

【選択肢B】既存モールに出店（初期投資100万円）

　成功（確率50%）：純利益 800万円

　不振（確率50%）：純利益 50万円

　期待値 ＝ 800×0.5 ＋ 50×0.5 ＝ 425万円

期待値ではAが上回ります。しかしAには200万円の損失が出る可能性が60%あり、Bは最悪でも黒字です。

期待値だけで決めないという点が重要です。下振れしたときの損失を自社が耐えられるか、という視点で最終判断します。期待値は判断材料の1つであり、答えそのものではありません。

この例のように、図にすることで論点が明確になります。「Aの成功確率を40%とした根拠は何か」という議論ができる状態になることが、この手法の最大の価値です。

データ活用の進め方からご相談いただけます 手法は分かっても、自社のデータで何が分かるかは別の問題です。 データの棚卸しからご一緒する30分の無料相談をご用意しています。 ▶ 相談予約はこちら ※オンライン完結／秘密厳守／助成金活用のご相談も歓迎

関連記事：AIデータ分析の事例9選 業種別の活用内容と成果・自社に応用する手順を解説

機械学習に使う｜決定木分析

過去のデータから規則性を見つけ、分類や予測を行う使い方です。ここからは機械学習としての決定木を扱います。

分類木と回帰木

予測したい対象の性質によって、2種類に分かれます。

• 分類木：カテゴリを予測する。「解約する／しない」「優良／一般／休眠」など
• 回帰木：数値を予測する。「来月の購入金額」「故障までの日数」など

仕組みは共通で、データを条件で分割していくという動作は同じです。分割の基準と、リーフに入る値の決め方が異なります。

実務で多いのは分類木です。「どういう顧客が解約しやすいか」という問いは、分類木で扱えます。

分割の基準

どの項目のどの値で分けるかを、プログラムが自動で決めます。その判断に使われるのが不純度という考え方です。

分割した結果、それぞれのグループが「きれいに分かれる」ほど良い分割とみなされます。この度合いを測る指標として、主に2つが使われます。

• ジニ不純度：ランダムに選んだデータが誤って分類される頻度を測る。低いほど良い
• 情報利得（エントロピー）：分割によって不確実性がどれだけ減ったかを測る。高いほど良い

どちらを使っても結果は大きく変わらないことが多く、既定値のまま使って問題ありません。実装ではジニ不純度が既定になっているツールが一般的です。

代表的なアルゴリズム

決定木を組み立てる手順にはいくつかの方式があります。名前を知っておく程度で十分です。

最も広く使われているのがCARTです。分類と回帰の両方に対応し、ジニ不純度で分割を決めます。ほかにID3やC4.5といった方式もあります。

分析の手順は、データを学習用と検証用に分け、学習用で木を作り、検証用で精度を測るという流れです。Pythonのscikit-learnなど、標準的なライブラリで実行できます。

何が分かるのか

予測そのものより、「何が結果を分けているか」が分かる点に価値があります。

木の上部に現れる項目が、結果への影響が大きい項目です。「最初の分岐が『過去3か月の利用回数』だった」という結果は、その項目が最も効いていることを示します。

この情報は、そのまま施策につながります。利用回数が2回以下の層に働きかけるという打ち手が導けます。データ分析の始め方についてはAI分析ツール比較｜4タイプの違いと選び方、導入前に整えるデータの条件も参考になります。

類似手法との違い

木の形をした図は他にもあります。混同されやすいものを整理します。

ロジックツリーとの違い

ロジックツリーは、問題を要素に分解して整理するための図です。「売上＝客数×単価」のように、上位の概念を下位に分けていきます。

違いは目的です。ロジックツリーは分解と網羅、ディシジョンツリーは選択と予測のための道具です。前者は原因を探る場面、後者は決める場面で使います。

確率や期待値が出てくるかどうかも見分けの目安になります。ロジックツリーには確率の概念がありません。

デシジョンテーブルとの違い

デシジョンテーブル（決定表）は、条件の組み合わせと、それに対応する結果を表形式で整理したものです。システムの仕様記述やテストケースの設計で使われます。

条件が3つあれば8通りの組み合わせを表にする、といった網羅的な整理に向きます。抜けや矛盾を機械的に確認できる点が利点です。

ディシジョンツリーは流れが直感的に分かる一方、組み合わせの網羅性は担保されません。仕様の確認には表、判断の説明には木という使い分けが実務的です。

他の機械学習手法との違い

分類や予測の手法は決定木以外にも多数あります。ロジスティック回帰、サポートベクターマシン、ニューラルネットワークなどです。

決定木の特徴は、結果の理由を人が読めることです。ニューラルネットワークは精度が高い場合が多いものの、なぜその結論になったのかを説明できません。

説明が必要な場面では決定木が選ばれます。融資の審査、採用の判定、医療の判断のように、根拠を示す必要がある領域です。手法の比較はAIツール比較｜法人利用で見るべき7つの軸と主要ツールの違い、料金の目安でも扱っています。

メリットとデメリット

利点と弱点は表裏一体です。両方を理解してから使います。

メリット｜結果の理由を説明できる

最大の利点です。判断の経路が図として見えるため、なぜその結論になったのかを追えるという性質を持ちます。

この性質は、組織での合意形成に直結します。分析結果を上司や他部署に説明する際、「モデルがそう判断しました」では納得を得られません。図を示せば議論ができます。

前処理の負担が小さいという利点もあります。数値の大きさを揃える正規化が不要で、カテゴリと数値が混ざったデータもそのまま扱えます。

デメリット｜過学習しやすい

最も注意すべき弱点です。分岐を増やせば学習用データには完全に当てはまる木が作れますが、新しいデータでは当たらなくなります。

scikit-learnの公式ドキュメントDecision Treesでも、決定木は過度に複雑な木を作りやすく、データを一般化できなくなるという点が指摘されています。剪定、リーフの最小サンプル数の設定、木の深さの上限設定といった仕組みが必要とされています。

項目数が多いデータでは特に過学習が起きやすいと説明されています。サンプル数と項目数の比率が重要で、項目が多い場合は事前に絞り込むことが推奨されています。

デメリット｜結果が不安定

データが少し変わるだけで、まったく違う木が生成されることがあります。この性質を不安定性と呼びます。

1件のデータを追加しただけで、最初の分岐に使われる項目が変わることもあります。「この項目が最も重要」という結論が、簡単に覆るわけです。

対策は、データを分けて複数回実行し、結果が一貫しているかを確認することです。毎回違う結果になるなら、その結論は報告に使えません。

対策としてのアンサンブル

不安定性への標準的な対策が、複数の決定木を組み合わせるという方法です。アンサンブル学習と呼ばれます。

代表的な手法がランダムフォレストです。データの一部を使って多数の木を作り、その多数決で結論を出します。精度が上がり、結果も安定します。

ただし説明性は下がります。数百本の木の多数決になるため、判断の経路を1枚の図で示せなくなります。精度と説明性のどちらを優先するかという選択になります。

実務で使うときの注意点

誤った使い方をしやすい手法でもあります。押さえておきたい4点を挙げます。

木を深くしすぎない

分析に使う場合の基本です。最初は浅い木から始め、必要に応じて深くします。

scikit-learnの公式ドキュメントでは、まず深さを3に設定してデータへの当てはまり方を確認し、そこから深くしていくという手順が案内されています。階層が1つ増えるごとに必要なサンプル数は倍になるという説明も添えられています。

浅い木のほうが、読み手にとっても理解しやすくなります。深さ3から4程度に収まっていると、図として説明に使えます。

確率と結果の見積りが結論を決める

意思決定に使う場合の注意点です。期待値の計算そのものは単純ですが、入力する確率と金額が結論を左右します。

成功確率を40%とするか60%とするかで、選ぶべき選択肢が変わります。その数値に根拠がなければ、計算結果にも根拠がありません。

確率を変えた場合の結果も併記するという対策が有効です。「成功確率が約37%を下回ると、Bが有利になる」という形で示せば、判断の分岐点が明確になります。

相関と因果は別である

分析結果の解釈で最も多い誤りです。決定木が示すのは「一緒に現れる傾向」であり、原因と結果の関係ではありません。

「問い合わせ回数が多い顧客は解約しにくい」という結果が出たとしても、問い合わせを増やせば解約が減るとは限りません。もともと関心の高い顧客が両方の行動を取っているだけかもしれません。

施策に落とす前に、因果関係として成立するかを業務の知識で確認します。この検証を省くと、効果のない打ち手に投資することになります。

外挿には使えない

回帰木を使う場合の制約です。学習データの範囲を超えた予測はできません。

決定木の予測は、区分ごとに一定の値を返す形になります。そのため、学習時に存在しなかった範囲の入力に対しては、適切な予測ができません。

過去に例のない規模の予測には向かないということです。この点は公式ドキュメントでも明記されています。

始め方

用途によって、最初の一歩が変わります。

意思決定に使うなら

今抱えている判断を1つ選び、紙に書いてみるのが最短です。ツールも準備も不要です。

選択肢を3つ以内に絞り、それぞれの先に「成功」と「不振」を置き、確率と金額を書き込みます。10分ほどで形になります。

1人で作らず、関係者と一緒に作るほうが効果が出ます。確率や金額の見積りをめぐる議論そのものが、判断の質を上げます。図はその議論のための土台です。

分析に使うなら

データが揃っているかの確認から始めます。予測したい結果と、予測に使える項目が、過去の実績として記録されている必要があります。

件数は、数百件あれば試せます。項目数が多い場合は、業務上意味のあるものに絞り込んでから実行します。

実行環境は、PythonとBIツールのいずれでも構いません。まず1回動かして、出てきた木を読んでみることが理解への最短経路になります。

社内で共有するときの注意

作った図を共有する際は、前提条件を必ず併記します。意思決定であれば確率の根拠、分析であればデータの期間と件数です。

前提が書かれていない図は、独り歩きします。数か月後に別の担当者が見て、そのまま結論として使ってしまう危険があります。

図は判断材料であって結論ではないという位置づけを、あわせて伝えます。分析や自動化を社内に広げる進め方はAI業務自動化・GAS開発で扱っています。

まとめ

ディシジョンツリーには2つの意味があります。選択肢を期待値で比較する意思決定のフレームワークと、データから規則性を学習する機械学習のアルゴリズムです。

意思決定に使う場合は、決めたいことを起点に選択肢を並べ、結果と確率を置いて期待値を計算します。期待値だけで決めず、下振れ時の損失に耐えられるかも確認します。

機械学習に使う場合は、分類木と回帰木があり、ジニ不純度や情報利得を基準に分割が決まります。予測そのものより、何が結果を分けているかが分かる点に価値があります。

共通する最大の利点は、結果の理由を説明できることです。一方で、過学習しやすく、データが変わると結果も変わるという弱点があります。木は浅く保ち、結果の再現性を確認します。

まずは意思決定の用途で、いま迷っている判断を1つ紙に書いてみてください。確率を書き込む段階で、何が分かっていないのかが自然と見えてきます。

分析から施策への落とし込みまで、無料で相談できます 分析結果を施策につなげられない、社内にデータ活用の知見がないといった段階のご相談も承っています。 営業色は一切ありません。 ▶ 相談予約はこちら ※オンライン完結／秘密厳守／助成金活用のご相談も歓迎