バギング
意味・解説
複数の機械学習モデルを並列に学習させ、それぞれの予測結果を平均したり多数決をとったりすることで、全体の精度を高めるアンサンブル学習の手法。
Bootstrap Aggregatingの略。元のデータセットから重複を許してランダムに一部を抽出した「ブートストラップサンプル」を複数作り、それぞれでモデル（決定木など）を学習させる。最終的な予測は個々のモデルの平均や多数決で行うため、特定のデータに過剰に適合する「過学習」を防ぎ、汎用性を高める効果がある。代表例はランダムフォレスト。
くわしく
「一人の専門家に頼るのではなく、100人の普通の人の意見をまとめて、平均的な『最も外れにくい答え』を導き出す多数決の仕組み」です。
1.仕組み:
手元のデータを少しずつ変えた『複数の練習問題集』を作り、複数のAIに解かせます。
2.メリット:
一つのAIが極端な勘違い（外れ値の影響）をしても、他のAIがそれを打ち消してくれるため、全体として安定した予測が可能です。
例文
予測モデルのバリアンス（ばらつき）を抑えるため、バギングの手法を用いたランダムフォレストを採用した。
同義語: ブートストラップ集約法
対義語: シングルモデル
分類: アンサンブル学習