G検定 用語解説
アンサンブル学習とは
単一のモデルではなく複数のモデルを組み合わせ、それぞれの予測を統合することで精度を高める学習の枠組み。
まず押さえる結論
アンサンブル学習は、G検定の「大項目3 機械学習の概要」で確認しておきたい用語です。定義だけでなく、どの場面で使う言葉か、何と混同しやすいか、問題文のどの表現で判断するかまで確認します。
情報源と編集区分
公式範囲を確認し、具体例・誤答例・判断手順は当サイトが編集。 一次情報確認日: 2026-07-03。
試験概要（公式）具体例から判断の境界を固める
アンサンブル学習を、役割と隣接概念の境界から捉える
単一のモデルではなく複数のモデルを組み合わせ、それぞれの予測を統合することで精度を高める学習の枠組み。 試験では名称だけでなく、処理の対象、目的、使う段階を別概念と入れ替えた選択肢が出るため、定義の主語と動作を分けて確認します。
- 問題文で見る箇所
- 単一のモデルではなく複数のモデルを組み合わせ、それぞれの予測を統合しているかを確認します。
- 隣接概念との境界
- アンサンブル学習は複数モデルを組み合わせる枠組み全体を指し、バギングやブースティングはその中の具体的な作り方の違いです。
誤答しやすい選択肢
- アンサンブル学習を、単一の決定木だけを指す言葉として扱う。定義の主語と処理対象を確認します。
- アンサンブル学習の目的だけを見て、同じ目的を持つ別手法まで同じ用語とする。具体的な処理を比較します。
- アンサンブル学習を使えば目的が必ず達成されると断定する。適用条件や評価を別に確認します。
4段階の判断手順
- 01問題文が状態、手法、評価指標、制度のどれを説明しているか決める。
- 02定義の中心となる対象と動作がアンサンブル学習に一致するか確認する。
- 03隣接概念と共通する目的ではなく、処理や条件の違いを見る。
- 04必ず・完全に・だけでよいという過度な断定がないか見直す。
到達条件: アンサンブル学習を一文で説明し、最も混同しやすい隣接概念との違いを処理または条件から言える。
試験での問われ方
定義の言い換え
用語そのものではなく、説明文の一部を言い換えて出されることがあります。
似た概念との比較
同じ章の用語と入れ替えた選択肢に注意します。対象、目的、使う場面を分けます。
具体例からの判断
問題文の事例が、定義のどの部分に対応しているかを先に確認します。
誤答しやすいポイント
×教師あり・教師なし・強化学習の分類の取り違え（分類/回帰＝教師あり、クラスタリング/次元削減＝教師なし）。
×L1正則化（ラッソ＝係数が0になり変数選択も兼ねる）とL2正則化（リッジ＝係数を小さく抑えるが0にはなりにくい）の混同。
×適合率（精度）と再現率の取り違え、および混同行列の読み方。
関連する確認問題
大項目3 機械学習の概要 / 代表的な手法
異なるデータ標本で作った決定木を多数用意し、投票で判定を決める手法はどれか。
この事例では「決定木を複数組み合わせたアンサンブルか」を確認すると、ランダムフォレストに絞れる。正解は「ランダムフォレスト」である。データや特徴量をランダムに選んで多数の決定木を作り、それぞれの予測を多数決（分類）や平均（回帰）で統合するアンサンブル学習（バギングの代表例）の手法である。サポートベクターマシンはクラス間のマージンを最大化する境界を1つ学習する手法であり、複数の決定木を組み合わせるものではない。線形回帰は説明変数から連続値を予測する単一のモデル、主成分分析は次元削減の手法であり、いずれも決定木を多数作って統合する仕組みを持たない。「多数の決定木」「多数決や平均で統合」という条件がランダムフォレストの目印になる。
大項目3 機械学習の概要 / 代表的な手法
複数の決定木を別々の標本で学習させ、平均値で電力需要を予測する手法はどれか。
この事例では「多数の決定木の結果を集約するか」を確認すると、ランダムフォレストに絞れる。正解は「ランダムフォレスト」である。データや特徴量をランダムに選んで多数の決定木を作り、それぞれの予測を多数決（分類）や平均（回帰）で統合するアンサンブル学習（バギングの代表例）の手法である。サポートベクターマシンはクラス間のマージンを最大化する境界を1つ学習する手法であり、複数の決定木を組み合わせるものではない。線形回帰は説明変数から連続値を予測する単一のモデル、主成分分析は次元削減の手法であり、いずれも決定木を多数作って統合する仕組みを持たない。「多数の決定木」「多数決や平均で統合」という条件がランダムフォレストの目印になる。
大項目3 機械学習の概要 / 機械学習の種類
エージェントが環境と試行錯誤しながら行動し、得られる報酬の総和が最大になるような方策を獲得していく学習の枠組みはどれか。
正解は「強化学習」である。報酬を手がかりに試行錯誤して方策を学ぶのは強化学習。教師あり学習は正解ラベル付きデータから入出力関係を学ぶもので報酬の概念はない。教師なし学習はラベルなしデータの構造抽出が目的。アンサンブル学習は複数のモデルを組み合わせて精度を高める手法であり、学習の枠組みそのものではない。設問では「エージェント」「環境」「報酬」「方策」がそろっているため、ラベルの有無よりも行動の結果として報酬を受け取る点を見る。ゲームやロボット制御のように、正解データを先に与えるのではなく、行動後の評価から方針を改善する場面を想像すると判断しやすい。
同じ章で確認したい用語
到達チェック
- アンサンブル学習を一文で説明できる
- 同じ章の似た用語と違いを説明できる
- 問題文の具体例から、アンサンブル学習に関係する論点を拾える
- 関連問題を解き、誤答した選択肢の理由を確認できる
執筆: ミナト編集部（運営者情報を見る）