最終更新日：2026年8月26日
gk machine_learning ensemble
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）は、元データから複数のブートストラップ標本を作り、それぞれでモデルを学習し、予測を平均や多数決で統合するアンサンブル学習です。
G検定では、
並列に学習しやすい → バギング
前の結果を受けて逐次学習 → ブースティング
で切り分けます。
直感的な説明
同じ問題を複数人に少しずつ違う練習データで解いてもらい、最後に多数決するイメージです。
1人の判断に依存しにくくなるため、決定木のようにデータの変化へ敏感なモデルでは、予測のばらつき（バリアンス）を抑える方向に働きます。
定義・仕組み
Baggingは Bootstrap Aggregating の略です。
- 元データから重複を許してランダム抽出する
- 各標本でモデルを学習する
- 分類なら多数決、回帰なら平均などで統合する
各モデルは前のモデルの結果を待つ必要がないため、主に独立して学習でき、並列化しやすいのが特徴です。
代表例がランダムフォレストです。
いつ使う？（得意・不得意）
向いている場面
- 単体モデルの予測がデータの違いで大きく変わる
- 決定木など高バリアンスになりやすいモデルを安定化したい
注意点
- バギングでバイアスが必ず大きく改善するとは限らない
- モデル数が増えるため計算量・メモリ使用量は増える
- 各モデルの誤りが強く相関していると統合効果が小さくなる
G検定ひっかけポイント
- ❌「前の誤りを次のモデルが逐次補正」→ ブースティング
- ❌「各モデルは完全に同じデータで学習」→ 通常はブートストラップ標本を使う
- ⭕「重複を許した再抽出」→ ブートストラップ
- ⭕「平均・多数決」→ Bagging
- ⭕「分散を抑える方向」→ Baggingの代表的な効果
まとめ（試験直前用）
- Bagging＝Bootstrap Aggregating
- ブートストラップ標本ごとにモデルを学習
- 学習は主に独立・並列化しやすい
- 予測は平均・多数決で統合
- 逐次ならBoosting、並列ならBagging