アンサンブル学習とは？
あんさんぶるがくしゅう
アンサンブル学習とは、複数の機械学習モデルの予測を組み合わせることで、単一モデルより高い精度と安定性を実現する手法です。
アンサンブル学習（Ensemble Learning）は、複数の予測モデル（学習器）を組み合わせて最終的な予測を行う機械学習の手法群です。「三人寄れば文殊の知恵」のように、それぞれ異なる誤りを持つモデルを集めることで全体的な予測精度が高まる効果を狙います。
代表的なアンサンブル手法には以下のものがあります。
- バギング（Bagging）: 訓練データをブートストラップサンプリングで複数作り、各サンプルで独立したモデルを訓練し予測を平均・多数決。ランダムフォレストが代表例
- ブースティング（Boosting）: 前のモデルの誤りを次のモデルが補うよう逐次的に学習器を追加。AdaBoost・勾配ブースティング（XGBoost・LightGBMなど）が代表例
- スタッキング（Stacking）: 複数の異なるモデルの出力を新たなモデル（メタ学習器）の入力とする多段構造
アンサンブルが効果的であるためには、各モデルが互いに異なる誤り（多様性）を持つことが重要です。同じモデルを複数並べても効果は薄く、アーキテクチャ・特徴量・訓練データに変化をつけることで多様性を生み出します。コンペティションやビジネス現場での高精度予測に広く使われており、特にブースティング系手法は表形式データ処理で非常に強力です。
使い方・例文
データサイエンスコンペティションでは、複数の異なるモデルの予測をアンサンブルする手法が上位入賞の定番となっています。
この用語をシェア
最終更新: