バギングは（Boostingとの違い）を理解するための用語です。この記事では仕組み・役割・使いどころを押さえ、G検定で問われる判断ポイントとひっかけポイントを解説します。

gk neural_network

G検定トップ ＞ バギングとは？（Boostingとの違い）【G検定対策】

まず結論

バギング（Bagging）とは、訓練データをランダムに再抽出して複数のモデルを並列に学習し、その予測を平均や多数決で統合するアンサンブル学習手法で、G検定では「ブースティングとの違い（並列か逐次か）」を正確に区別できるかが問われる。

直感的な説明

バギングは、

同じ問題を、複数人がそれぞれ独立に解いて、最後に多数決を取る

イメージです。

  • 各人は同じ教材を使うが、見る問題は少しずつ違う
  • 誰かのミスを他の人が補う

この結果、

  • 予測のブレ（分散）が小さくなる

という効果が得られます。

定義・仕組み

バギングは Bootstrap Aggregating の略です。

仕組みは次の通りです。

  1. 元データから重複を許してランダム抽出（ブートストラップ）
  2. 抽出したデータごとに独立したモデルを学習
  3. 各モデルの出力を平均（回帰）や多数決（分類）で統合

重要なポイントは、

  • 各モデルは互いに独立
  • 学習は並列に行える

という点です。

いつ使う？（得意・不得意）

得意なケース

  • 単体モデルの予測が不安定（分散が大きい）
  • 決定木など、データに敏感なモデル

苦手・注意点

  • バイアスが大きいモデルには効果が限定的
  • 計算資源を多く使うことがある

G検定ひっかけポイント

G検定では、ブースティングの説明と混ぜる選択肢が頻出です。

よくあるひっかけ

  • 誤分類データを重視する → ✕（ブースティング）
  • モデルを逐次的に作成する → ✕（ブースティング）

正誤を切る判断基準

  • 並列学習？ → バギング
  • 逐次学習？ → ブースティング
  • 平均・多数決？ → バギング

まとめ（試験直前用）

  • バギングは並列学習
  • データを再抽出して独立に学習
  • 分散を下げるのが目的
  • ブースティングは逐次・誤り重視
  • G検定では「並列か順次か」で即断

🔗 関連記事

🏠 G検トップに戻る