問題 No.917
決定木を複数組み合わせるアンサンブル学習において、ブースティングの手法がバギングと大きく異なる点は「【 】」ことである。
【正解の解説】
誤分類したデータに対して重みを増やしながら逐次的にモデルを構築する
ブースティングは、前のモデルが間違えたデータに対して高い重要度を割り当て、次のモデルで重点的に学習させることで段階的に精度を高める手法です。
スポンサーリンク
【その他の選択肢の解説】
モデルを独立して学習させる
バギングは、複数のモデルを並列に独立して作成し、それらを統合することで予測精度を安定させる手法です。
決定木以外の複雑なアルゴリズムを組み合わせる
アンサンブル学習では決定木以外を用いることもありますが、基本的には同じアルゴリズムのモデルを複数組み合わせることが一般的です。
訓練データをランダムに分割して特徴量の数を減らす
学習データをランダムに分割して特徴量を減らす手法は、ランダムフォレストなどで見られる個別の工夫です。