Python で理解する決定木・アンサンブル学習(パイソンデリカイスルケッテイギアンサンブルガクシュウ)

決定木・アンサンブル学習の理論と実践の基礎・基本が、この一冊で学べる!
本書は、データ分析で広く応用されている機械学習アルゴリズムである、決定木およびアンサンブル学習について、その数理と応用を解説するものです。
データの分類ルールを木構造で表現するモデルである決定木は、分類の条件が明確に示されることから、人工知能 (AI) における解釈可能アプローチの一つとしても活用されています。また、複数の決定木の組合せ (アンサンブル学習) により、高精度な予測が可能となります。本書では、決定木およびアンサンブル学習の数理とアルゴリズムを基礎からていねいに解説するとともに、応用を念頭に Python のサンプルコードとともに具体例も扱います。また、数学でつまずくことのないよう、理解に必要となる高校程度以上の数学は本書で解説しています。

機械学習の実務で最もよく使われるモデル群でありながら、仕組みを曖昧にしたまま scikit-learn の API を叩いている人は少なくありません。本書は決定木を出発点に、バギング、ランダムフォレスト、勾配ブースティングといったアンサンブル手法を、 Python コードで追いかけながら原理まで掘り下げる構成です。「なぜ木を束ねると精度が上がるのか」「 XGBoost と LightGBM は何が違うのか」という疑問に、理論と実装の両面から答えを返してくれます。

扱う範囲は決定木系に絞られているため、深層学習やカーネル法には触れません。その代わり、分割基準の選び方からハイパーパラメータが精度に与える影響まで、この一冊で決定木系列の見通しが一本につながる設計になっています。テーブルデータを扱う業務に携わっている人や、 Kaggle でツリー系モデルを使い込みたい人にとって、ブラックボックスを開ける最初の鍵になる本です。