問題 No.454
複数の決定木を独立して構築し、それらの予測結果を多数決や平均化によって統合することで、個々の木の過学習を抑制し精度を向上させるアンサンブル学習手法はどれか。
【正解の解説】
ランダムフォレスト
ランダムフォレストとは、バギングを決定木に対して適用し、さらに各木を作る際に使う特徴量もランダムに選ぶことで、より頑丈で精度の高い予測を行う手法です。
スポンサーリンク
【その他の選択肢の解説】
バギング
バギングとは、データをランダムに選んで複数の決定木を作り、それらの予測結果を平均したり多数決をとることで、個別の木のミスをカバーして全体の精度を高める手法です。
ブースティング
ブースティングとは、前段の予測ミスを次の木が修正していくように順番に学習させることで、徐々に精度を極めていくアンサンブル学習手法です。
スタッキング
スタッキング（Stacking）とは、複数の異なるモデルの予測結果を、別のモデルを使ってさらに統合し、最終的な答えを導き出す手法です。