従来型ML・データ
アンサンブル学習とは？意味・仕組みをわかりやすく解説
あんさんぶるがくしゅう / Ensemble Learning ／ 最終更新日：2026年7月7日
30秒でわかる定義
アンサンブル学習とは、複数のモデル（弱学習器）を組み合わせて、単独のモデルより高い精度・安定性を得る手法です。ランダムフォレストや勾配ブースティング（XGBoost・LightGBM等）が代表例で、表形式データの予測で特に強力です。
仕組み・基本の流れ
- 1バギング：データを部分的にサンプリングして複数モデルを並列に学習し、多数決・平均で予測を統合する（例：ランダムフォレスト）
- 2ブースティング：前のモデルの誤りを次のモデルが重点的に補正するよう順番に学習する（例：XGBoost・LightGBM）
- 3スタッキング：複数モデルの出力を、さらに別のモデルで統合する
- 4個々のモデルの弱点を打ち消し合い、汎化性能を高める
実務でのポイント：表形式（テーブル）データの予測タスクでは、ディープラーニングより勾配ブースティング系（LightGBM等）が高精度・高速なことが多く、Kaggle等のコンペでも定番です。単独モデルより過学習しにくく安定するのが強みです。
関連する用語
このスキルを活かせる職種と年収は？
勾配ブースティング（LightGBM/XGBoost）等のアンサンブル手法は、表形式データを扱うデータサイエンティスト・MLエンジニアの実務の主力です。特徴量設計と組み合わせて成果を出せる人材は評価されます。
よくある質問
Q. バギングとブースティングの違いは？
A. バギングは複数モデルを並列に学習して結果を平均・多数決する手法（分散を下げ過学習を抑える）、ブースティングは前のモデルの誤りを次が補正するよう順番に学習する手法（バイアスを下げ精度を上げる）です。ランダムフォレストは前者、XGBoost/LightGBMは後者の代表です。
Q. なぜアンサンブルは精度が上がるのですか？
A. 個々のモデルが異なる誤りをする場合、それらを統合すると誤りが打ち消し合い、単独モデルより安定して高い精度が得られるためです。多様性のあるモデルを組み合わせるほど効果が出やすくなります。