用語比較
ブートストラップ法とバギングの違い｜標本の取り方と、それを使う手法（G検定・アンサンブル学習）
ブートストラップは、手元のデータから復元抽出で標本を作る方法です。バギングは、その標本ごとにモデルを作り、予測を多数決や平均でまとめるアンサンブル学習の手法です。
2つは同じ並びで出てくるので混同しやすいのですが、役割が違います。標本の取り方がブートストラップ、その標本を使ってモデルをそろえる手順がバギングと覚えると、G検定の選択肢を整理できます。
このページは、scikit-learn公式ドキュメントの記述をもとに、役割・目的・出てくる場面で比べます。数の例は、説明用の架空のデータです。
この記事の根拠と出典
各セクションの見出しの下に、公式資料で確認した内容か編集部の整理かをラベルで示しています。 試験日・料金・申込条件・試験方式は変わることがあるため、申込前に公式サイトで確認してください。G検定の一次情報確認日: 2026-10-02。
結論
ブートストラップ
訓練データから、同じデータを何度選んでもよい復元抽出で標本(ブートストラップ標本)を作ること。
バギング
ブートストラップ標本ごとに基本モデルを作り、予測を多数決や平均でまとめる。決定木などの分散を下げて過学習を抑える。
見分け方
標本を作る方法の話ならブートストラップ。複数のモデルの予測をまとめる話ならバギング。
違いを表で確認
| 比較軸 | ブートストラップ | バギング |
|---|---|---|
| 何を指すか | ブートストラップ：復元抽出で標本を作る方法。モデルではない | バギング：標本ごとに基本モデルを作り、予測を集めて最終予測にする手法 |
| 目的 | ブートストラップ：もとのデータとは少し違う標本を何組も用意する | バギング：決定木などの分散を下げて、過学習を抑える |
| 出力 | ブートストラップ：標本(データの組) | バギング：多数決または平均でまとめた最終予測 |
| 代表的な使われ方 | ブートストラップ：バギングやランダムフォレストの標本づくりに使われる | バギング：ランダムフォレストの土台になる考え方。各木をブートストラップ標本から作る |
| G検定での手がかりの語 | ブートストラップ：復元抽出、ブートストラップ標本、OOB(袋外) | バギング：基本モデルを集める、多数決、分散を下げる |
G検定の学習に使う書籍（Amazon）
試験範囲を通して読むときの1冊です。読んだ章は、このサイトの章別問題で確かめられます。
どこで迷っているかを切り分ける
「バギング＝ブートストラップ」と覚えている人
scikit-learnの説明では、標本を復元抽出で取る場合に、その手法をバギングと呼びます。ブートストラップは標本の取り方で、バギングはその標本を使って複数のモデルを作り、予測をまとめるところまでを含みます。
ランダムフォレストとの関係を聞かれる人
ランダムフォレストでは、各木が訓練データからの復元抽出標本(ブートストラップ標本)から作られ、各分割では特徴量のランダムな部分集合だけを考えます。標本の取り方はバギングと共通で、特徴量を絞る点が加わっています。
OOB(袋外)標本の意味を聞かれる人
ブートストラップ標本に選ばれなかったデータが、袋外(out-of-bag)標本です。scikit-learnでは、この袋外標本で汎化誤差を推定でき、設定はoob_score=Trueです。別に検証用のデータを取り分けなくても評価の目安が得られます。
具体例で使い分ける
例 1
標本の取り方か、予測のまとめ方かで分ける(架空のデータ)
訓練データが1,000件ある。ここから復元抽出で1,000件の標本を10組作り、標本ごとに決定木を1本ずつ学習して、10本の予測を多数決でまとめる。
- 1,000件の標本を10組作る部分が、ブートストラップです。同じデータが1つの標本に何度も入ってよく、入らないデータも出ます。
- 標本ごとに決定木を学習し、10本の予測を多数決でまとめる部分が、バギングです。
- 全体を1つの手法の名前で呼ぶなら、バギングです。ブートストラップは、その中の標本づくりの段階を指します。
結論: 標本づくりがブートストラップ、モデルをそろえて予測をまとめる手順全体がバギングです。1,000件と10組という数は、説明用の架空の数字です。
例 2
袋外標本はどのくらい出るか(計算の例)
1,000件のデータから、1件ずつ1,000回、復元抽出で標本を作る。ある1件が1回の抽出で選ばれない確率は、1−1/1,000＝0.999。
- 1,000回続けて選ばれない確率は、0.999の1,000乗で、約0.368です。
- つまり、1つのブートストラップ標本に入るのは、もとのデータの約63.2%です。
- 残りの約36.8%が、その標本の袋外標本になります。この割合は、データ件数が多いほど、ネイピア数eの逆数(約0.368)に近づきます。
結論: ブートストラップ標本には、重複を除くともとのデータの約6割強が入ります。この数は、計算で求めた値です。
問題文から答えを選ぶ手順
- 1
何を聞かれているかを見る
標本の作り方を聞かれているのか、モデルの組み合わせ方を聞かれているのかを分けます。
- 2
復元抽出ならブートストラップ
同じデータを何度選んでもよい抽出の説明は、ブートストラップ標本の話です。
- 3
複数モデルをまとめるならバギング
基本モデルを複数作って多数決や平均でまとめる説明は、バギングです。
試験での見分け方
- 1復元抽出で標本を作る方法が、ブートストラップ。
- 2標本ごとにモデルを作り、予測をまとめるのが、バギング。
- 3バギングは、決定木などの分散を下げて過学習を抑える。
- 4標本に選ばれなかったデータが、袋外(OOB)標本。
誤答しやすい選択肢
ブートストラップを、モデルの名前だと考える
修正: ブートストラップは標本の取り方です。モデルを作って予測をまとめる手順はバギングです。
バギングは、データを重複なく分けて学習すると考える
修正: scikit-learnの説明では、標本を復元抽出で取る場合がバギングです。重複を許さない取り方は、別にペースティング(Pasting)と呼ばれます。
バギングは、誤りを直しながら順番に学習すると考える
修正: バギングは、各基本モデルを別々の標本で作り、予測をまとめます。前のモデルの誤りを次に生かす逐次の手法は、ブースティングです。違いは、バギングとブースティングの違いのページで確認できます。
確認問題
Q1訓練データから、同じデータを何度選んでもよい形で標本を作る抽出方法は？
答え: 復元抽出(ブートストラップ標本の作り方)
scikit-learnは、復元抽出で作った標本をブートストラップ標本と呼びます。
Q2ブートストラップ標本ごとに基本モデルを作り、予測を多数決や平均でまとめる手法は？
答え: バギング
決定木などの分散を下げて、過学習を抑えるために使われます。
Q3ブートストラップ標本に選ばれなかったデータを何と呼ぶ？
答え: 袋外(OOB)標本
袋外標本で、汎化誤差を推定できます。
到達チェック
- ブートストラップ(標本の取り方)とバギング(予測のまとめ方)を分けて言える
- 復元抽出で、同じデータが複数回入る意味を言える
- 袋外(OOB)標本の意味を言える
関連ページで確認する
同じ資格で次に知りたいこと
- Pix2PixとCycleGANの違い｜ペアの画像が要るか、要らないか（G検定・画像変換）
Pix2PixとCycleGANの違いを、訓練データ(ペアの有無)・学習のしくみ(損失関数・循環一貫性損失)・向く課題で整理。ペアが作れるかから手法を選ぶ判定例と確認問題つき。G検定の生成モデルの学習に使える。
- コンテンツベースフィルタリングと協調フィルタリングの違い｜推薦の2つの考え方（AI・レコメンド）
コンテンツベースフィルタリングと協調フィルタリングの違いを、類似度の取り方・必要なデータ・長所と短所(コールドスタートなど)で整理。他のユーザーのデータが要るかから判定する例と確認問題つき。G検定などAI系の学習に使える。
- プルーニングと量子化の違い｜接続の数を減らすか、1つあたりのビット数を減らすか（G検定・軽量化）
プルーニングと量子化の違いを、減らすもの・論文の数字（接続9〜13倍減、32ビットから5ビット）・再学習の有無で整理。重みの数とビット数から保存容量を概算する計算例と確認問題つき。G検定のモデルの軽量化の学習に使える。
よくある質問
Qブートストラップとバギングは同じもの？
同じではありません。ブートストラップは復元抽出で標本を作る方法で、バギングはその標本ごとにモデルを作って予測をまとめる手法です。
Qブートストラップ標本には、もとのデータの何割が入る？
件数が多いとき、重複を除くと約63.2%です。1件が選ばれない確率が約0.368になる計算から求まります。残りの約36.8%が袋外標本です。
Qランダムフォレストは、バギングと何が違う？
scikit-learnの説明では、ランダムフォレストは各木をブートストラップ標本から作り、各分割で考える特徴量もランダムな部分集合に絞ります。標本の取り方はバギングと同じで、特徴量を絞る点が加わっています。
次に見る比較
- G検定・DS検定・統計検定2級で重なる用語10語の比較
同じ名前の用語の定義と収録章を、資格ごとに並べます。
- ベイズの定理と条件付き確率の違い（統計検定2級の式と計算例）
求める確率の向きの違いと、陽性になる確率の計算例を確かめます。
- 紛らわしい用語ペア早見表
混同しやすい用語の違いと判定の手掛かりを、資格別の一覧で確かめます。
執筆: ミナト編集部（運営者情報を見る）