Summary  
A decision tree is a hierarchical model that recursively asks feature-based questions at decision nodes to partition data into homogeneous leaf nodes representing class labels or values. It naturally supports multiclass classification and can handle multiple features when splitting data.

General domain of usage  
Machine learning classification

多くの実際の問題に対して、**決定木**を構築することができます。決定木では、質問（**決定ノード**）を行い、その答えに基づいて決定（**葉ノード**）に至るか、さらに質問（決定ノード）を続けます。

以下はアヒルかどうかを判定するテストの例です。

同じ論理を訓練データに適用することで、**回帰と分類の両方のタスク**に利用できる、最も重要な機械学習アルゴリズムの一つを導き出すことができます。本コースでは分類に焦点を当てます。

次のビデオは、その仕組みを示しています。

上記のビデオでは、「Classes」はノードごとの**各クラスのデータサンプル数**を示しています。例えば、ルートノードにはすべてのデータサンプル（4つの「cookies」、4つの「not cookies」）が含まれています。そして、左側の葉ノードには「not cookies」が3つだけ含まれています。

ノート

各決定ノードでは、トレーニングデータを分割し、各クラスのデータポイントが**それぞれのリーフノード**に分離されることを目指します。
  
決定木は**多クラス分類**にも容易に対応可能。

また、**複数特徴量による分類**も決定木で対応可能。各決定ノードは任意の特徴量を使ってデータを分割できます。

上記の動画では、トレーニングセットに`StandardScaler`を使用してスケーリングを行っていますが、決定木には**必要ありません**。スケーリングされていないデータでも同様に動作します。ただし、スケーリングは他のすべてのアルゴリズムの性能を向上させるため、前処理にスケーリングを常に追加することを推奨します。

注意

誤っている記述を選択してください。

Pythonを使用したカテゴリカルな結果を予測するための分類手法を紹介します。分類モデルの構築、トレーニング、評価、決定境界の解釈、一般的なアルゴリズムの実世界データセットへの適用に焦点を当てます。


決定木とは何か