② 機械学習の概要 ／ 7. 教師あり学習
バギングとは
バギングとは、ブートストラップサンプリングで作った複数のデータ集合を使い、モデルを並列に学習させるアンサンブル手法です。予測のばらつきを抑え、分散を下げて過学習を防ぐ効果があります。
この用語はG検定シラバスの「7. 教師あり学習」に含まれます。 章全体の用語は用語解説②（全62語）にまとまっています。
一言でいうと
データを少しずつ変えて複数のモデルを並列に学習させ、多数決や平均でまとめる手法です。
手順
- 元のデータから重複を許してランダムに標本を取り出す（ブートストラップサンプリング）
- 取り出した各データ集合で、モデルをそれぞれ独立に学習させる
- 分類なら多数決、回帰なら平均で予測を統合する
各モデルの学習は互いに独立なので、並列に処理できるのも特徴です。
ブースティングとの違い
ブースティングは前のモデルの結果を見て次を学習するため逐次処理になります。バギングは並列、ブースティングは逐次——この対比を必ず押さえてください。
バギングに決定木を組み合わせた代表的手法がランダムフォレストです。
学習に使われなかったデータを活かす
ブートストラップサンプリングでは、毎回いくつかのデータが選ばれずに残ります。これをOOB（out-of-bag）データと呼びます。
そのモデルにとっては未知のデータなので、検証用データを別に用意しなくても性能を推定できるという利点があります。
混同しやすい用語との違い
| 用語 | ポイント |
|---|---|
| バギング | 並列学習。分散を下げる |
| ブースティング | 逐次学習。バイアスを下げる |
🎯 G検定での押さえどころ
- 並列に学習させて統合する
- ブートストラップサンプリングが前提
- 分散を下げる（過学習を抑える）のが狙い
⚠️ よくある誤りの選択肢
- 「バギングは前のモデルの誤りを次のモデルが補正する」→ 誤り。それはブースティングです
- 「バギングではデータを重複なく分割する」→ 誤り。重複を許して抽出します
📘 もっと深く学ぶ
- 数式レベルまで踏み込んだ解説 → 医療AIナビ「Random Forest」（E資格向け）
関連する用語
ご利用にあたって 本ページの内容は、JDLAが公開しているG検定シラバス2024や公式テキストなど、一般に公開されている情報をもとに独自に整理・解説したものです。実際の試験の出題内容を示すものではなく、また合格を保証するものでもありません。制度・法令・試験要項は変更されることがあるため、最新の情報は必ずJDLA公式サイトでご確認ください。