アンサンブル学習の基本概念

問題

アンサンブル学習に関する記述のうち誤りを1つ選べ。

アンサンブル学習（Ensemble Learning）は、単独では性能がそこそこのモデル（弱学習器）を複数組み合わせて、多数決や平均を取ることで、1つの強力なモデル（強学習器）を作り出す手法です。

「三人寄れば文殊の知恵」の考え方に基づいており、モデルの予測の偏り（バリアンス）を減らして精度を安定させる効果があります。代表的な手法に、モデルを並列に作る「バギング」と、直列に作る「ブースティング」があります。

1. 複数のモデルを組み合わせて予測精度を高める手法である

正しい：複数のモデルの予測結果を統合（多数決や平均）することで、個々のモデルが単独で予測するよりも高い精度と安定性を実現します。

2. 単一モデルよりも過学習しやすくなることが多い

誤り：アンサンブル学習（特にバギングやランダムフォレスト）は、複数のモデルの予測を平均化するため、データに過剰に適合する「過学習（オーバーフィッティング）」を抑えやすいという大きなメリットがあります。

3. バギングやブースティングが代表例である

正しい：並列に学習して平均化する「バギング」と、前のモデルの弱点を補うように直列に学習する「ブースティング」が、アンサンブル学習の2大手法です。

4. 複数モデルの弱点を補い合うことで頑健性が増す

正しい：あるモデルが間違えても別のモデルが正解することで弱点を補い合うため、未知のデータに対しても強い（頑健性/ロバスト性が増す）モデルになります。

← 前の問題次の問題 →

📚 より詳細を学びたい方へ