【あんさんぶるがくしゅう】
アンサンブル学習 とは？
最終更新:
💡 複数の予測を組み合わせ、よりよい答えを狙う
複数の機械学習モデルの予測を組み合わせる方法の総称。多数決・平均、バギング、ブースティング、スタッキングの違いと、組み合わせの効果や運用コストを確認する考え方を説明します。
📌 このページのポイント
- 複数のモデルを組み合わせて予測する考え方
- 多数決や平均のほか、バギング・ブースティング・スタッキングなどがある
- 違う誤りをするモデルを組み合わせると改善につながることがある
- 必ず精度が上がるわけではなく、検証データと計算コストも確認する
ひよこ アンサンブル学習は、モデル同士の多数決？
ひよこ バギングとブースティングも、この仲間？
ペンギン先生 そうだよ。バギングはデータを選び直して複数のモデルを学習し、予測をまとめる。ブースティングは前の予測で足りない部分を補うように、モデルを順に加える考え方だよ。どちらが良いかは、使う手法やデータで変わるんだ。
ひよこ スタッキングって何？
ペンギン先生 複数のモデルの予測を入力にして、それらを組み合わせる別のモデルを学習する方法だよ。多数決のように決まったルールでまとめる方法と、まとめ方自体を学ぶ方法を分けると理解しやすいね。
ひよこ 精度が高いモデルを集めれば、必ず良くなる？
ペンギン先生 似た間違いばかりなら、組み合わせても改善が小さいことがあるよ。学習に使わないデータで確かめることが大切。モデルが増えるとメモリや計算量、運用の手間も増えるので、精度だけでなく予測にかかる時間も測ろう。時間が単純に台数倍になるとは限らないんだ。
まとめ：ざっくりこれだけ覚えればOK！
「アンサンブル学習」って出てきたら「複数のモデルの予測を組み合わせる方法」と思えばだいたいOK！
📖 おまけ：英語の意味
「Ensemble learning」 ＝ 複数のモデルを組み合わせる学習
💬 Ensembleには、まとまりや合奏という意味があります。複数の楽器を合わせるように、複数のモデルを組み合わせるイメージです。