問題 No.903
アンサンブル学習の代表的手法であるランダムフォレストは、決定木を複数構築して多数決をとる。このとき、単にデータを分割するだけでなく、「各分岐において【 】」という処理を行うことで、個々の木の相関を下げ、未知のデータへの対応力を高めている。
【正解の解説】
候補となる特徴量もランダムに一部だけ抽出する
ランダムフォレストでは、各分岐で使う特徴量（判断材料）も毎回ランダムに選ぶことで、それぞれの木が異なる視点で判断するようにし、偏りを抑えています。
スポンサーリンク
【その他の選択肢の解説】
誤分類したデータに高い重みを与える
誤分類したデータに重みを与えるのは「ブースティング」という手法の特徴です。ランダムフォレストとは異なるアプローチです。
データの次元を圧縮して主要な成分のみを残す
次元の圧縮は主に主成分分析などで使われる手法です。ランダムフォレストは決定木を大量に作って多数決をとる手法です。
学習率を動的に調整しながら勾配を降下させる
学習率の調整は、勾配降下法におけるパラメータ更新の工夫です。決定木の構築過程とは異なる仕組みです。