アンサンブル学習とは【図解でわかりやすく】

最終更新日：2026年7月15日

30秒でわかる結論

アンサンブル学習は「複数の弱いモデルを組み合わせて、1つの強いモデルを作る」手法です。バギング（Bagging）は独立に学習させた複数モデルの予測を多数決でまとめる（代表例：ランダムフォレスト）。ブースティング（Boosting）は前のモデルの間違いを次が重点補強する直列型（代表例：XGBoost・LightGBM）。両者の違いと代表アルゴリズムはG検定の頻出です。

アンサンブル学習＝複数モデルを組み合わせて精度を上げる考え方。バギングとブースティングの2系統がある。

アンサンブル学習の「バギング vs ブースティング」の違いはG検定で必ず出題されます。「並行か直列か」という軸で整理しましょう。

図解

解説

少しずつ違うデータや特徴で育てたモデルを大量に作り、予測を多数決でまとめるのがバギング（代表例：ランダムフォレスト）。「1人の専門家より100人の多数決のほうが安定する」というイメージです。一方、「先生が生徒の間違えた問題だけを集めて補習する」ように、前のモデルの間違いを次のモデルが重点的に直していくのがブースティング（代表例：XGBoost、LightGBM）。バギング＝独立に並行、ブースティング＝順番に依存、という作り方の違いを押さえましょう。

具体例

①Kaggleデータサイエンスコンテストで上位を独占するXGBoost・LightGBMはブースティング系。②ランダムフォレストは医療診断・信用リスク評価で幅広く実用されている。③複数の気象モデルの予測を平均することでより精度の高い天気予報を実現する（バギングの考え方を応用）。

間違えやすい類似用語

バギング vs ブースティング：バギング＝独立に並行学習→多数決。過学習に強い。ブースティング＝前の失敗を引き継いで直列学習→精度が高い反面過学習しやすい。Kaggleではブースティングが上位常連だが、解釈性が欲しい実務はランダムフォレスト（バギング）が人気。
決定木 vs ランダムフォレスト：決定木は1本の木で予測。単独では過学習しやすい。ランダムフォレストは決定木を多数（100本以上）育てて多数決する→安定性と精度が向上。「木を集めた森」というイメージが名前の由来。バギングの代表的な実装。

覚え方

森＝木の多数決。並行多数決＝バギング／順に修正＝ブースティング（XGBoost）

試験での問われ方

G検定では「バギング・ブースティングそれぞれの仕組みと代表アルゴリズム」「ランダムフォレストはバギング系」「XGBoostはブースティング系」「アンサンブル学習は弱学習器を組み合わせる」という問いが頻出。またアンサンブル学習全体が「単体より精度向上」「過学習への対策になりうる」という特性も押さえておきましょう。