アンサンブル学習は（バギング・ブースティング・スタッキング）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 machine_learning ensemble

G検定トップ ＞ アンサンブル学習とは？（バギング・ブースティング・スタッキング）【G検定対策】

まず結論

  • アンサンブル学習とは、複数のモデルを組み合わせて予測性能を向上させる手法である。
  • G検定では「バギング・ブースティング・スタッキングの違いと対応関係」が頻出。

直感的な説明

アンサンブル学習は、
「1人の意見より、複数人の意見をまとめた方が正確」という考え方。

  • 同時に学習する → バギング
  • 順番に学習する → ブースティング
  • 上にもう一段モデルを乗せる → スタッキング

👉 どう組み合わせるかがポイント。

定義・仕組み

アンサンブル学習の定義

  • 複数のモデル（弱学習器）を学習させ
  • 推論時にそれらの出力を統合する手法

バギング（Bagging）

  • 全体データから 一部をランダムサンプリング
  • 各モデルを 独立・並列 に学習
  • 出力を平均・多数決で統合

例：

  • ランダムフォレスト

👉 分散を下げるのが目的

ブースティング（Boosting）

  • 弱学習器を 直列（逐次） に学習
  • 前のモデルの 誤りを次で重点的に学習
  • 徐々に精度を高める

例：

  • AdaBoost
  • Gradient Boosting
  • XGBoost

👉 バイアスを下げるのが目的

スタッキング（Stacking）

  • 複数のモデルの 予測結果を入力
  • それを 別のモデル（メタモデル） が学習
  • 二層構造のアンサンブル

👉 バギングを応用した高度な手法

いつ使う？（得意・不得意）

バギングが得意

  • 過学習しやすいモデル
  • データのばらつきが大きい場合

ブースティングが得意

  • 単体モデルの性能が低い場合
  • 精度を極限まで高めたい場合

スタッキングが得意

  • 複数モデルの長所を活かしたい場合
  • 上級者向け・設計が難しい

G検定ひっかけポイント（★最重要）

ここが今回の誤答ポイント👇

❌ バギングは逐次学習する

  • 誤り
  • 逐次学習は ブースティング

❌ スタッキングはブースティングの一種

  • 誤り
  • スタッキングは バギングを応用した二層構造

⭕ 正しい対応関係（試験用）

  • 「一部データで別々に学習」→ バギング
  • 「直列・誤りを重視」→ ブースティング
  • 「二層のアンサンブル」→ スタッキング

まとめ（試験直前用）

  • アンサンブル学習＝複数モデルの統合
  • バギング：並列・分散低減
  • ブースティング：逐次・誤り重視
  • スタッキング：二層構造
  • 並列／逐次／二層で即判断

🔗 関連記事

🏠 G検トップに戻る