デシジョン フォレストに適したデータ

決定木は、表形式のデータセット（スプレッドシート、CSV ファイル、データベース テーブルで表されるデータ）がある場合に最も効果的です。表形式のデータは最も一般的なデータ形式の一つであり、意思決定木はそれをモデリングするための「頼りになる」ソリューションです。

表 1. 表形式データセットの例。

区間の数	目の数	重量（ポンド）	種（ラベル）
2	2	12	ペンギン
8	6	0.1	クモ
4	2	44	犬
…	…	…	…

ニューラル ネットワークとは異なり、ディシジョン フォレストはモデルの表形式データをネイティブに使用します。ディシジョン フォレストを開発する際に、次のようなタスクを行う必要はありません。

• 特徴の正規化やワンホット エンコーディングなどの前処理を行います。
• 補完を実行します（欠損値を -1 に置き換えるなど）。

ただし、決定木は、画像やテキストなどの表形式以外のデータ（非構造化データ）を直接使用するには適していません。はい。この制限を回避する方法はありますが、通常、ニューラル ネットワークは非構造化データをより適切に処理します。

パフォーマンス

デシジョン フォレストはサンプル効率が高いため、つまり、決定木は、小規模なデータセットや、特徴数 / サンプル数の比率が高い（1 より大きい場合もある）データセットでのトレーニングに適しています。決定木はサンプル効率が高いものの、他の ML モデルと同様に、大量のデータが利用可能な場合に最も高いパフォーマンスを発揮します。

通常、決定木は同等のニューラル ネットワークよりも高速に推論します。たとえば、中程度のサイズのディシジョン フォレストは、最新の CPU で数マイクロ秒で推論を実行します。