問題 No.881
複数の個別のモデルを組み合わせて1つの強力な予測モデルを構築するアンサンブル学習において、バギングとブースティングの特徴や使い分けの記述として不適切なものはどれか。
【正解の解説】
ブースティングはすべてのモデルを完全に独立して同時に並列計算できるため、バギングよりも劇的に学習時間を短縮できる特徴がある
ブースティングは前のモデルの結果を待ってから次のモデルを作る必要があるため、バギングのように完全に独立して並列計算することはできません。
スポンサーリンク
【その他の選択肢の解説】
バギングは複数のモデルを独立して並列に学習させる手法であり、ランダムフォレストはその代表例である
バギングはデータをランダムに分割して複数のモデルを作り、並列に学習させる手法です。ランダムフォレストはまさにその代表格で、多くの決定木を並列で作ります。
ブースティングは前のモデルが誤分類した難しいデータに対して重み付けを強め、次のモデルを順番に直列に学習させていく手法である
ブースティングは前のモデルが失敗した（間違えた）データを重点的に学習するように次のモデルを調整し、順番にモデルを積み重ねていくため、直列的な処理になります。
バギングはモデルの分散を減少させることで過学習を抑制する効果が高く、ブースティングはモデルのバイアスを減少させることで表現力を高める効果がある
バギングはデータのばらつきによる誤差を抑える効果が、ブースティングはモデルが単純すぎることによる予測のズレを修正して精度を高める効果がそれぞれあります。