Machine learningEnsemble
ブースティングアンサンブル
ブースティングは、弱学習器を逐次的に訓練し、以前のモデルが誤分類したサンプルに焦点を当てることで、それらを強力な予測器に結合するアンサンブル手法です。各新しい弱学習器は、その訓練タスクの難易度に応じて重み付けされ、最終的な予測は重み付き投票によって行われます。Schapire (1990) によって開拓され、AdaBoost (Freund & Schapire, 1997) で洗練されたブースティングは、逐次的な重み付けを通じて、弱学習器（ランダムよりわずかに優れている程度）を強学習器に変換します。
手法の全文を読む
会員限定
ログイン無料アカウントでログインすると、このセクションを読めます。
Method map
The neighbourhood of related methods — select a node to explore.
出典
- Schapire, R. E. (1990). The strength of weak learnability. Machine Learning, 5(2), 197-227. DOI: 10.1023/A:1022648800760 ↗
- Freund, Y., & Schapire, R. E. (1997). A decision-theoretic generalization of on-line learning and an application to boosting. Journal of Computer and System Sciences, 55(1), 119-139. DOI: 10.1006/jcss.1997.1504 ↗
このページの引用方法
ScholarGate. (2026, June 3). Boosting Ensemble Method. ScholarGate. https://scholargate.app/ja/ensemble-learning/boosting-ensemble
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- AdaBoost機械学習↔ compare
- バギングアンサンブルアンサンブル学習↔ compare
- 勾配ブースティング機械学習↔ compare
- 多数決 (Majority Voting)アンサンブル学習↔ compare