1. 分岐のアルゴリズム：決定木
機械学習において、「もしも」の構造を最も直感的に表すモデルが**決定木（Decision Tree）**です。
決定木は、データを特徴量に基づいて再帰的に分割し、最終的にクラスや値を予測します。
1.1 決定木の構造
[Feature A > 5?]
/ \
Yes No
/ \
[Feature B > 3?] [Output: 0]
/ \
Yes No
/ \
[Output: 1] [Output: 2]
この構造は、自然言語の「もしPならばQ、そうでなければR」という構造と完全に一致します。
1.2 情報利得と分岐の選択
決定木は、どの特徴量で分岐するかを情報利得（Information Gain）またはジニ不純度（Gini Impurity）に基づいて選択します。
これは、第4章で述べたエントロピーの減少を最大化する操作です。
「もし特徴量Aで分岐したら、不確実性がどれくらい減るか？」
この問いが、アルゴリズムによって自動的に「もしも」の構造を構築します。
2. 決定木と論理式
決定木は、論理式に変換できます。
上記の決定木は、以下のような論理式に対応します。
これは、第1章で述べた述語論理の一種です。
決定木は、データから「もしも」の論理式を抽出する機械です。
3. 決定木の限界とアンサンブル
決定木は解釈性が高いですが、過学習（Overfitting）しやすいという欠点があります。
これを解決するために、複数の決定木を組み合わせたアンサンブル学習が用いられます。
3.1 ランダムフォレスト
複数の決定木を訓練し、その平均（回帰）または多数決（分類）を取ります。
「もしも」の構造が複数存在し、それらの合意形成によって予測を行います。
3.2 グラディエントブースティング
誤差を小さくする方向に決定木を追加していきます。
各木は、前の木の残差（エラー）を説明する「もしも」を学習します。
4. 第8章のまとめ：構造化された「もしも」
第8章では、決定木を通じて、「もしも」がアルゴリズム的に構築される過程を示しました。
「もしも」は、人間の直感ではなく、データの構造に基づいて最適化されます。
しかし、決定木は限られた特徴量しか扱えません。
より複雑な「もしも」を扱うためには、ニューラルネットワークという別のアプローチが必要です。