G検定 用語解説
ブースティングとは
複数の学習器を一つずつ順番に作り、前の学習器が残した誤差を次の学習器が補正しながら精度を高めていく手法。
まず押さえる結論
ブースティングは、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
ブースティングを、役割と隣接概念の境界から捉える
複数の学習器を一つずつ順番に作り、前の学習器が残した誤差を次の学習器が補正しながら精度を高めていく手法。 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
- 複数の学習器を一つずつ順番に作り、前の学習器が残した誤差を次が補正しているかを確認します。
- 隣接概念との境界
- ブースティングは学習器を逐次的に作る立場、バギングは学習器を並列かつ互いに独立させて作る立場という点で区別します。
誤答しやすい選択肢
- ブースティングを、学習器を並列かつ互いに独立させて作る手法として扱う。定義の主語と処理対象を確認します。
- ブースティングの目的だけを見て、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。
- ブースティング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ブースティング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: ブースティングを一文で説明し、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
複数の弱い学習器を組み合わせるアンサンブル学習のうち、前の学習器が誤ったデータを重視しながら次の学習器を逐次的に作っていく手法はどれか。
正解は「ブースティング」である。誤りを重視しながら学習器を順番に追加していくのはブースティング。バギングはデータを復元抽出して並列に学習器を作り平均・多数決をとる手法で、逐次的に誤りを補正するものではない。主成分分析は次元削減手法、k近傍法は近傍データによる分類手法であり、どちらもアンサンブルの逐次学習とは無関係。「前の学習器が誤ったデータを重視」「逐次的」がブースティングの手がかりである。アンサンブルの中でも、並列に集約するバギングではなく、弱点を次の学習器へ引き継ぐ順番付きの作り方を選ぶ。
大項目3 機械学習の概要 / 代表的な手法
多数の弱い学習器を一つずつ順番に作り、前の学習器が残した誤差を次の学習器が勾配降下の考え方で補正していくアンサンブル学習の手法はどれか。
この設問を分けるのは、複数の学習器を並列に独立して作るか、それとも前の学習器の結果を踏まえて逐次的に作るかという軸である。バギングとランダムフォレストはどちらも学習器を互いに独立させて並列に作り、その予測を多数決や平均でまとめる立場をとる。k近傍法はそもそも複数の学習器を組み合わせる仕組みを持たない単一の判定方法である。勾配ブースティングだけが、前の学習器が残した誤差を次の学習器が勾配降下の考え方で順番に補正していくという逐次的な仕組みを持つ。
同じ章で確認したい用語
到達チェック
- ブースティング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、ブースティング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）