---
title: "過学習と分岐の深さの関係とは？決定木の注意点【DS検定】"
description: "過学習と分岐の深さの関係は、決定木の注意点を理解するための基本テーマです。DS検定で問われる定義、具体例、似た概念との違い、選択肢の見分け方を整理します。主要な混同パターンや実務での読み取り方も確認します。初学者が迷いやすい判断ポイントも確認します。"
canonical_url: "https://stemtazoo.github.io/ds/overfitting-tree-depth/"
section: "ds"
---
DS検定トップ
＞ 過学習と分岐の深さの関係とは？決定木の注意点【DS検定】
## まず結論
決定木では、**分岐を深くしすぎると過学習が起きやすくなります。**
DS検定では、「木の深さと汎化性能の関係」を正しく理解できているかが問われます。
## 直感的な説明
決定木は、
> 条件をどんどん細かくしていくモデル
です。
分岐を増やしていくと、
- 学習データにはぴったり合う
- しかし未知データには弱くなる
という状態が起きます。
たとえば、
- 「価格が1000円以上」
- 「レビューが★4以上」
- 「発売日が○月○日」
と細かく分けすぎると、
そのデータ専用のルールになってしまいます。
これが過学習です。
## 定義・仕組み
### 過学習とは？
> 学習データに適合しすぎて、未知データで性能が落ちる状態
### 分岐の深さ（木の深さ）とは？
決定木では、
- 分岐の回数が増える
- ノードが増える
- 条件が細かくなる
これを「木が深い」といいます。
### なぜ深いと過学習するのか？
深くなるほど、
- ノード内のデータ数が少なくなる
- たまたまのノイズにも適合してしまう
つまり、
> 本質ではなく偶然に合わせてしまう
のが原因です。
DS検定では
「木を深くすると常に良い性能になる」
という選択肢は誤りです。
## どんな場面で使う？
### ① ハイパーパラメータ調整
決定木やランダムフォレストには、
- max_depth（最大深さ）
- min_samples_split
- min_samples_leaf
といった制御パラメータがあります。
過学習を防ぐために、
> 深さを制限する
ことが重要です。
### ② バイアス・バリアンスの理解
- 浅すぎる → 表現力不足（アンダーフィット）
- 深すぎる → 過学習（オーバーフィット）
このバランスを問う問題が出ます。
## よくある誤解・混同
### ❌ 木は深いほど精度が高い
→ 学習データでは高くなりますが、汎化性能は保証されません。
### ❌ 過学習は決定木だけの問題
→ どのモデルでも起こります。
ただし、決定木は特に起きやすいモデルです。
### ❌ ランダムフォレストは過学習しない
→ 単独の木よりは抑えられますが、
理論的に「絶対しない」わけではありません。
### ❌ 分岐を増やすと必ず不純度は下がるから問題ない
→ 学習データでは下がります。
しかし、それが良いとは限りません。
## まとめ（試験直前用）
- 木を深くしすぎると過学習しやすい
- 過学習 = 学習データに合わせすぎ
- 深さはハイパーパラメータで制御する
- 浅すぎるとアンダーフィット
- 「深いほど良い」は誤り
## 対応スキル項目（AI利活用スキルシート）
- AIの理解
- 機械学習の基本理解
- ★ 機械学習モデルの基本的な仕組みを理解している