問題 No.395
複数のモデルを組み合わせるアンサンブル学習において、「バギング（Bagging）」が過学習を抑制する仕組みとして正しいものはどれか。
【正解の解説】
学習データのサブセットを用いて個別にモデルを構築し、予測結果を平均化・多数決することで分散を抑える
正解です。バギングは、データをランダムに選び直して複数のモデルを学習させ、それらの予測をまとめる手法です。皆の意見を平均化することで、一つのモデルが極端な予測をしてしまう『過学習』を防ぐことができます。
スポンサーリンク
【その他の選択肢の解説】
誤分類されたデータに対して高い重みを与えることで、弱学習器を逐次的に強化する
誤りです。これはブースティング（Boosting）の説明です。誤分類されたデータに注目して弱学習器を補強していくのがブースティングの特徴です。
複数の異なるアルゴリズムを順番に繋げて、前段の出力を後段の入力に用いる
誤りです。複数のモデルを順番に繋げる手法はスタッキングなどと呼ばれます。
モデルの重みを決定論的に固定し、推論の再現性を確保する
誤りです。バギングは、あえてデータの一部をランダムに変更することで多様なモデルを作り出し、性能を高める手法です。