---
title: "ブースティングとは？（Boosting）【G検定対策】"
description: "ブースティングを弱学習器を順に組み合わせて精度を高めるアンサンブル学習として整理します。バギングとの違い、誤分類への重み付け、G検定の要点を確認できます。本文では、基本定義、代表例、関連用語との違い、G検定で問われやすい観点まで短時間で復習できます。"
last_modified_at: "2026-05-15"
canonical_url: "https://stemtazoo.github.io/gk/boosting/"
section: "gk"
---

## まず結論

ブースティング（Boosting）とは、**弱学習器を順番（逐次）に学習させ、前のモデルが間違えたデータを重視しながら精度を高めていくアンサンブル学習手法**で、G検定では「並列ではなく逐次」である点を見抜けるかが問われる。

## 直感的な説明

ブースティングは、

> 間違えた問題を次の勉強で重点的に復習する

学習方法に似ています。

* 1回目：ざっくり予測
* 間違えた部分をチェック
* 2回目：間違えたところを重点的に学習

この流れを**何度も繰り返す**ことで、
全体として賢いモデルにしていきます。

## 定義・仕組み

ブースティングはアンサンブル学習の一種で、

* **弱学習器**（精度は高くないモデル）を
* **逐次的（順番）に学習**させ
* それらを組み合わせて最終予測を行う

手法です。

代表例としては、

* AdaBoost
* Gradient Boosting
* XGBoost

などがあります。

重要なポイントは、

* 前のモデルの**誤分類データに重みを付ける**
* 次のモデルがそこを重点的に学習する

という点です。

## いつ使う？（得意・不得意）

### 得意なケース

* 単体モデルでは精度が出にくい場合
* 非線形な関係を捉えたい場合
* 表形式データ（テーブルデータ）

### 苦手・注意点

* 学習は**逐次的**なので時間がかかりやすい
* ノイズが多いデータでは過学習しやすい

## G検定ひっかけポイント

G検定では、**バギング（Bagging）との対比**が頻出です。

### よくあるひっかけ

* ブースティング＝並列学習 → ✕
* ブースティング＝学習が速い → ✕

### 正誤を切る判断基準

* **逐次的に学習？** → ブースティング
* **並列に独立学習？** → バギング
* **誤分類データを重視？** → ブースティング

選択肢に

> 「順次」「逐次」「前のモデルの誤りを修正」

とあれば、ブースティングです。

## まとめ（試験直前用）

* ブースティングは逐次学習
* 弱学習器を順番に追加
* 間違えたデータを重視
* バギングは並列、ブースティングは逐次
* G検定では“並列か順次か”で即断