決定木（CART）をジニ不純度で育てる

「どの変数を，いくつで区切ると，いちばんきれいに2グループへ分かれるか」を総当たりで探し，良い区切りが見つかるたびに木を1段ずつ育てていく過程を観察できるアプリの，しくみと数式の解説．

01 - 概要

このアプリで学べること

決定木は，「変数Xが閾値より小さいか，大きいか」という単純なYes/No の質問を繰り返すことで，データをカテゴリ（クラス）ごとに分けていく手法である．このアプリを操作すると，次のことが体感できる．

「どの変数の，どの閾値で区切るのが良いか」を，4つの変数すべてについて機械的に総当たりし，数値（ジニゲイン）で比較して選んでいる様子．
1回の区切り（分割）で，ノードの中身がどれだけ「純粋」（1種類のクラスに近づく）になるかというジニ不純度の変化．
木を深く育てるほど学習データにはよく合うが，必ずしも良いことばかりではないという，決定木ならではの注意点．
自分で用意したデータ（表への入力，またはCSV読み込み）に対して，実際に木がどう育つかを試せること．

02 - モデル化

個体・変数・カテゴリ・ノード

個体	表の1行．4つの変数の値と，1つのカテゴリ（クラス名）を持つ．
変数	個体が持つ数値の項目．このアプリでは4つ固定（名前は自由に変更できる）．
カテゴリ	個体が属するクラス（分類先）．表に自由な文字列で入力する．
ノード	木の1つの節．そこに割り当てられた個体の集まりを持つ．根（root）から始まり，分割のたびに子ノードへ分かれる．

03 - 数式

ジニ不純度とジニゲイン

あるノードに含まれる個体の中で，カテゴリ $c$ の割合を $p_{c}$ とすると，そのノードの「ジニ不純度」は次の式で表す．1種類のクラスしか含まれていなければ0（最も純粋），クラスが均等に混ざっているほど大きな値になる．

ジニ不純度

$Gini = 1 - \sum p_{c}^{2}$

ある変数のある閾値でノードを左右に分割したとき，その分割がどれだけ不純度を減らせたかを「ジニゲイン」と呼ぶ．左(left)右(right)の子ノードの不純度を，それぞれの件数の比率で重みづけして平均し，分割前の不純度から差し引く．

ジニゲイン

ゲイン $= Gini$ 親 $- (\frac{n_{left}}{n} \cdot {Gini}_{left} + \frac{n_{right}}{n} \cdot {Gini}_{right})$

このアプリは，ノードが持つデータについて，4つの変数それぞれの最小値～最大値の間を24等分した点を分割候補の閾値とし，そのすべてでジニゲインを計算する．最もゲインが大きい変数・閾値の組が「最良の分割候補」として選ばれる．

04 - 手順

分割候補の探索とツリーの成長

根ノード（root）に全データを割り当てる．
選んだノードについて，4つの変数それぞれで24通りの閾値候補を試し，ジニゲインを計算する．
ゲインが最大となる変数・閾値の組を「最良の分割候補」とする．
「この分割を適用」を押すと，その閾値で個体を左（閾値未満）・右（閾値以上）に振り分け，2つの子ノードを作る．
子ノードを選び，深さが3に達するか，ノードが純粋（1種類のクラスのみ）になるまで，手順2～4を繰り返す．

すべてのノードで自動的に木全体を育てるのではなく，1回ずつ「最良の分割候補を確認してから適用する」という操作になっている点が，このアプリの特徴である．

05 - 図解

分割で不純度が下がる様子

下の図は，8個の個体（青4・オレンジ4，ジニ不純度0.500）を持つノードが，ある変数のある閾値で分割された例である．左の子は青が多く，右の子はオレンジが多くなり，どちらも分割前よりジニ不純度が下がっている．

06 - 観察

観察ポイント

木の図に残る内訳: 分割済みのノードにも，採用した分割条件・件数・ジニゲイン・クラス分布がそのまま表示され続けるので，木全体を見渡すだけで各階層の判断がわかる．
4本のゲイン曲線: ノードを選ぶと，4つの変数それぞれについて「閾値を変えたときのジニゲイン」の曲線が表示される．山になっている場所が良い閾値の候補である．
純粋ノードでの停止: 1種類のクラスしか含まないノード（ジニ不純度0）は，それ以上分割しても意味がないため，自動的に分割対象から外れる．

木を深くしすぎると「過学習」の危険がある．分割を繰り返すほど，そのときの学習データにはよく合う木ができあがる．しかし細かく分けすぎると，たまたまその数件だけに当てはまる特殊な条件を「規則」として覚えてしまい，新しいデータではうまく分類できなくなることがある．このアプリが深さを3までに制限しているのは，この過学習をある程度防ぐための工夫である．

状況	木の育ち方
クラスがはっきり分かれているデータ	少ない分割回数で，ジニゲインの大きい分割が見つかりやすい
クラスが入り組んでいるデータ	1回の分割で得られるゲインが小さく，深さ3まで分割しても純粋にならない葉が残りやすい
ある変数の値が全個体で同じ	その変数では分割できない（候補から除外される）

07 - 実験

やってみよう

「サンプルデータを入力」で3クラスの例を読み込み，「この内容で決定木を開始」を押す．root ノードで4本のゲイン曲線を見比べ，どの変数が最も良い分割になるか確認する．
「この分割を適用」を1回だけ押し，できた2つの子ノードのクラス分布とジニ不純度を親ノードと比べる．
子ノードを選び，深さ3に達するかクラスが純粋になるまで分割を続け，最終的な木の形を確認する．
表のカテゴリの値をわざと1つだけ書き換えて再度学習し，木の形やゲインの値がどう変わるかを観察する．
自分のCSVデータを読み込み，実際のデータでどのような木が育つかを試す．

08 - 用語

用語ミニ辞典

決定木	Yes/No の質問を繰り返してデータを分類していく，木の形をした分類モデル．
CART	決定木を作る代表的なアルゴリズムの1つ．数値変数の閾値による2分割を繰り返す．
ジニ不純度	ノードの中にクラスがどれだけ混ざっているかを表す指標．0なら純粋，大きいほど混ざっている．
ジニゲイン	ある分割によってジニ不純度がどれだけ減ったかを表す値．大きいほど良い分割．
根（root）	木の出発点となる，全データを持つ最初のノード．
葉（leaf）	それ以上分割されない末端のノード．多数派のクラスがそのノードの予測結果になる．
過学習	学習データに合わせすぎて，新しいデータへの当てはまりが悪くなること．

この記事は決定木学習アプリの実装内容にもとづく解説であり，実際にアプリを操作しながら読むことを想定している．

ホーム>>カテゴリー別分類>>データ分析>>決定木（CART）をジニ不純度で育てる

最終更新日：2026年7月17日