問題 No.1191
不均衡なデータセットや識別が難しい複雑な境界を持つデータに対して、単一の強力な予測モデルを一度に構築するのではなく、正解率が半分をわずかに上回る程度の軽量なモデルを複数用意し、前のモデルが間違えたデータに対して順次大きな重みを与えて直列に学習を進めるアンサンブル学習手法はどれか。
【正解の解説】
AdaBoost
AdaBoostは、前のモデルが間違えたデータに重みを置いて（注力して）次のモデルを学習させることで、精度を徐々に高めていく直列型のアンサンブル学習手法です。
スポンサーリンク
【その他の選択肢の解説】
ランダムフォレスト
ランダムフォレストは、決定木をランダムに作成して多数決を取る手法で、個別のモデルを直列に学習させるものではありません。
バギング
バギングは、データをランダムに抽出して複数のモデルを「並列」に学習させる手法です（例：ランダムフォレスト）。
勾配ブースティング
勾配ブースティングはAdaBoostと似ていますが、重みではなく「予測誤差（残差）」を次のモデルが補完するように学習を進める手法です。問題文の記述はAdaBoostの特徴に合致しています。