バギングとは、機械学習におけるアンサンブル学習の手法の一つです。訓練データから復元抽出を行いながら複数のデータセットを作成し、それぞれにベースモデルを並列に学習させて予測結果を統合することで、モデルの安定性と精度を高めます。
バギングとは
一言でいうと、バギングとは「複数の予測モデルを並列に組み合わせて、全体の予測精度と安定性を向上させる機械学習の手法」です。
詳しく解説
バギングはBootstrap Aggregatingの略称です。元となる訓練データから重複を許したサンプリングを行い、複数の異なるデータセットを生成します。その後、決定木などのベースモデルをそれぞれのデータセットに対して独立かつ並列に学習させます。最終的な予測は、回帰問題であれば平均値、分類問題であれば多数決などを用いて統合されます。この手法の最大の利点は、個々のモデルが持つ過剰適合を抑え、汎化性能を高められる点にあります。
具体例・使われ方
代表的な活用例として、決定木を多数組み合わせるランダムフォレストが挙げられます。ランダムフォレストはバギングの仕組みをベースにしつつ、各決定木の分岐において使用する特徴量をランダムに制限することで、モデル間の多様性をさらに高めています。
似た用語との違い
ブースティングとは、モデルを並列ではなく直列に学習させる点が大きく異なります。ブースティングは前のモデルが間違えたデータに重みをつけて次のモデルに学習させますが、バギングは各モデルを完全に独立して並列に学習させます。
注意点
ベースモデルに高い柔軟性を持つ決定木などを利用する場合でも、バギングによって過剰適合はある程度抑制されますが、ノイズの多いデータセットでは効果が限定的になる場合があります。また、多くのモデルを並列生成するため、計算コストやメモリ消費量が増加する点にも注意が必要です。
この解説は役に立ちましたか？誤りが含まれる場合はご報告いただけますと幸いです。
更新日時: 2026年8月30日 12:11