G検定（JDLA） 練習問題 32：機械学習アルゴリズム：決定木の特徴
教師あり学習における「決定木（Decision Tree）」について、正しいものはどれか。
- 決定木は分割条件を木構造で表現し、分岐の基準にジニ不純度や情報利得などの指標を用いるモデルである
- 決定木は必ず線形分離可能なデータにしか適用できず、非線形な決定境界を表現することはできない
- 決定木は学習の過程でパラメータの勾配を計算する必要があるため、誤差逆伝播法が不可欠なモデルである
- 決定木は木の深さを深くするほど必ず汎化性能が向上するため、深さに制限を設けない運用が推奨される
- 決定木は教師なし学習の手法に分類され、ラベルのないデータのクラスタリングにのみ利用される
Qraftユーザーの成績：難易度 Dランク（レーティング1120）・正答率 65%（11/17回正解）
レーティングは解いた人の実力と正誤から算出する難しさ（初期値1200）。ランクはその全問題中の順位（S+が最難関、F-が最易）
正解と解説を見る
正解：決定木は分割条件を木構造で表現し、分岐の基準にジニ不純度や情報利得などの指標を用いるモデルである
決定木は特徴量の値に基づき条件分岐を繰り返して予測を行うモデルで、分岐の良さを測る指標としてジニ不純度や情報利得が使われる。
【正解の理由】
決定木は木構造でデータを分割していくアルゴリズムであり、各ノードでの分割基準としてジニ不純度（クラスの混在度合いを示す指標）や情報利得（分割によるエントロピーの減少量）を用いて最適な分割点を選ぶ。
【不正解の理由】
• 「線形分離可能なデータにしか適用できない」：決定木は軸に平行な分割を繰り返すことで非線形な決定境界も表現できる
• 「誤差逆伝播法が不可欠」：決定木は勾配降下法や誤差逆伝播法を使わず、貪欲法的な分割基準に基づいて木を構築する
• 「深さを深くするほど必ず汎化性能が向上する」：深さを増やしすぎると訓練データに過剰適合し、過学習を招いて汎化性能が低下することが多い
• 「教師なし学習に分類される」：決定木は基本的にラベル付きデータを用いる教師あり学習（分類・回帰）の手法である