アンサンブル学習とは

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」に出てくる用語です。見分けの要点は、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。

アンサンブル学習の具体例と、問題文で見る箇所・隣接概念との境界

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、処理の対象・目的・使う段階を別の概念と入れ替えた選択肢が出ます。何に対して何をする手法か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

1. 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。
2. 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。
3. 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。
4. 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

誤答しやすいポイント

「大項目3 機械学習の概要」の問題で、取り違えやすい組み合わせです。

• 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と、混同行列の読み違い。

関連する確認問題

同じ章で確認したい用語