決定木

特徴量に基づく条件分岐を木構造で表現し、分類や回帰を行う機械学習手法。情報利得やジニ不純度を基準にノードを分割する。解釈性が高く、ランダムフォレストや勾配ブースティングの基礎となる。

データを条件分岐により樹形図状に分類・予測する分析手法。各ノードで属性の条件による分割を繰り返し、分類ルールを自動的に導出する。結果の解釈が容易な特徴がある。

特徴量に関する条件で、データを木の形に繰り返し分岐させて予測を行う機械学習のモデル。各分岐では、ジニ不純度やエントロピー（情報利得）が最もよく減る特徴量と分割点を選び、分類にも回帰にも使える。判断の根拠を人が読み取りやすい一方、深く育てると過学習しやすいので深さの制限や枝刈りを行い、ランダムフォレストや勾配ブースティングの基本の部品になる。

データを特徴量の条件で繰り返し分岐させた木構造のモデルで、分類や回帰を行う機械学習の手法。分岐の基準にはジニ不純度や情報利得（エントロピーの減少）を使う。判断の過程が分かりやすく説明性が高いが、過学習しやすいため、ランダムフォレストなどのアンサンブル学習の基礎として使われる。

コンピュータがデータから規則性やパターンを自動的に学習し、予測や分類を行う技術の総称。教師あり学習、教師なし学習、強化学習の3つに大別される。AIの中核技術の一つ。

入力データと正解ラベルのペアを学習データとして与え、未知のデータに対する予測モデルを構築する機械学習手法。回帰（数値予測）と分類（カテゴリ予測）に大別される。

正解ラベルのないデータからパターンや構造を自動的に発見する機械学習手法。クラスタリング（データの分類）や次元削減が代表的なタスク。顧客セグメンテーションなどに応用される。

エージェントが環境と相互作用しながら、報酬を最大化する行動方策を学習する機械学習手法。試行錯誤を通じて最適な行動を学ぶ。ゲームAIやロボット制御に応用される。

複数の決定木を組み合わせて予測精度を向上させるアンサンブル学習手法。各決定木はデータと特徴量をランダムに抽出して構築し、多数決や平均で最終予測を行う。過学習に強い特徴を持つ。

データ間のマージン（境界からの距離）を最大化する超平面を求めて分類を行う機械学習アルゴリズム。カーネルトリックにより非線形分類にも対応できる。SVMとも略される。