アンサンブル学習

複数の予測モデルを組み合わせることで、単一のモデルよりも高い予測精度や安定性を目指す機械学習の手法です。複数のモデルの意見を集約することで、一部のモデルが持つ弱点を補い合います。

具体的な手法として、データをサンプリングして複数のモデルを並列に学習させるバギングと、モデルを直列につなげて段階的に誤りを修正するブースティングがあります。これらを用いることで、モデルの過学習を抑え、未知のデータに対する汎化性能を大きく向上させることができます。

G検定では、精度向上を目的としたテクニックの定番として問われます。バギングとブースティングの仕組みの違いや、なぜモデルを組み合わせると性能が上がるのかという理由を理解しておく必要があります。機械学習のコンペティションなどで非常によく使われる重要な知識です。