アンサンブル学習
意味・解説
複数のAIモデル（弱学習器）を組み合わせて、一つの強力な予測モデル（強学習器）を構築する機械学習の手法。
「バギング」「ブースティング」「スタッキング」などの手法がある。個々のモデルの誤りを互いに補い合うことで、単一モデルよりも高い精度と汎化性能を実現する。
くわしく
「3人寄れば文殊の知恵」のAI版です。
1.バギング：
データをランダムに分けて複数のモデルを並列に学習させ、最後は多数決（平均）で決めます（例：ランダムフォレスト）。
2.ブースティング：
間違えたデータに重点を置いて、次々とモデルを直列に学習させます。ポイントは、一つの超高性能なAIを作るのは難しいですが、そこそこの精度のAIをたくさん集めることで、過学習を抑えつつ高い的中率を出せるからです。
例文
予測精度を極限まで高めるため、複数の決定木を組み合わせたアンサンブル学習である勾配ブースティング決定木を採用した。
対義語: 単一学習器
分類: 機械学習の学習手法