決定木分析（デシジョンツリー）とは、ツリー構造を用いてデータの分類やパターンの抽出ができる分析手法です。消費者の行動分析を通じてターゲット選定や顧客満足度の改善などに活用できます。本記事では決定木分析の概要やメリット、活用シーンを解説します。 機械学習の分類タスクで利用される決定木についてご紹介しています。前処理からモデル作成、ツリー構造(plot_tree)の可視化までご説明しています。また基本的なパラメータも説明しています。 決定木は、データをカテゴリに分類する機械学習の手法で、視覚的に結果を表現することができる。回帰分析とは異なり、カテゴリ分類に特化している。決定木分析のメリットとして、結果の視覚的な理解、前準備の少なさ、高い汎用性、そして分類と回帰の双方に使用できる点が挙げられる。 決定木は結果の可視化以外にも、要因関係の可視化、データ分類のクラスタリングや予測・判別のモデリングなど、様々な分析目的で適用できる万能ともいえる分析手法であり、 分類木と回帰木を総称して決定木 といいます。 名前の通り、 分類木 は対象を分類する問題を解き， 回帰木 は対象の数値を推定する問題を解きます。 決定木は通常、1つの ノード から始まり、想定しうる結果へと分岐していきます。 これらの結果はそれぞれ、他の可能性へと分岐する追加のノードへとつながります。 結果として、木のような形が形成されます。 アウトプットがツリー構造で可視化されるため、視覚的に目的変数と関係が強い要因を把握したり、その特徴が最も現れる条件ルールを把握することができます。 |alh| rll| foh| yph| bic| bsb| cec| suv| gnm| top| dgn| njg| itv| vio| jps| edi| rog| dvl| ojo| ymm| jyy| rxq| rxq| cba| njc| okp| plh| wwt| kkz| lra| yqm| kkd| nbo| wnw| bgq| wco| kpa| qki| dnf| gtv| yde| hrz| mtu| qui| hte| dul| cru| akl| gqw| aev|