決定木
Decision Tree
概要（教師あり｜分類・回帰）
決定木は、対象がどのカテゴリー（名義尺度）に属するかを予測する「クラス分類（教師あり学習）」の代表的な手法の一つで、条件分岐によってグループを分割します。意志決定の参考となる情報を得るためのグラフとなるもので、文字どおり、幹から枝葉へと向かう樹木のような有向グラフになります。例えば、運動会の実施か延期かの意思決定を行うのに、説明変数（入力データ）として、天候、気温、湿度、風速といったものを与え、目的変数（分類結果）には、「実施する」、「実施しない」といった目的変数が設定されます。
- 決定木
- 分類木：目的変数が血液型のような分類可能な変数であり、分類を目的として決定木のアルゴリズムを使用する場合
- 回帰木：不動産家賃の変動や、株価の変動等、過去・現在のデータから、未来の数値を予想する場合
プログラム例（分類）
以下に、決定木のサンプルを掲載しています。データ全体を、訓練データとテストデータに分けて機械学習を行っています。
ipynb（JupyterNotebook）形式で、GitHubに置いていますが、レンダリングがタイムアウトする場合は、下の nbviewer 経由でご覧下さい。
- GitHub：DecisionTreeAnalysis.ipynb
- nbviewer：DecisionTreeAnalysis.ipynb
- 使用したライブラリ
- numpy：数値計算
- pandas：データ解析
- matplotlib：グラフ描画
- sklearn：決定木
- 使用しているデータ：IRIS（scikit-learnに付属）
以下の項目をもつ150の計測データ- Sepal Length（がく片長 cm）
- Sepal Width（がく片幅 cm）
- Petal Length（花びら長 cm）
- Petal Width（花びら幅 cm）
- Species：setosa, versicolor, virginica
- 訓練データ：全体の70%を使用
- テストデータ：全体の30%を使用