問題 No.845
ランダムフォレストを機械学習タスクに採用する理由や特徴として不適切なものはどれか。
【正解の解説】
前の決定木が犯した誤分類の誤差を次の決定木が順番に重み付けを変えて修正していく、勾配ブースティングのような直列的な学習を行う
誤りを次々と修正して直列に繋ぐのは「ブースティング」という別の手法です。ランダムフォレストは並列に作成したモデルを統合する手法であり、この説明は誤りです。
スポンサーリンク
【その他の選択肢の解説】
複数の決定木を並列に学習させ、それらの予測結果の多数決や平均を取ることで過学習を防ぐ効果がある
ランダムフォレストはたくさんの木を作るアンサンブル学習です。一つ一つの木が少しずつ異なる視点で判断し、全員の多数決をとることで、個人の間違いを全体で補い合い、過学習を防ぎます。
学習データから重複を許してランダムにサンプルを抽出するバギングというアプローチをベースにしている
バギングとは、学習データをランダムに選び直して複数のモデルを並行して育てる手法です。これにより、特定のデータに依存しすぎることを防ぎ、全体としてバランスの良い学習を促進します。
予測プロセスの数理的な計算がブラックボックス化しにくく、どの特徴量が予測に寄与したかを視覚的に確認しやすい
ランダムフォレストは決定木の集合体であるため、どの項目（特徴量）が判断の重要な決め手になったかを分析しやすく、ブラックボックス化しにくいモデルの一つとされています。