MLAMLモデルの開発
あるMLチームが、顧客離脱予測タスクに対してランダムフォレスト・XGBoost・ニューラルネットワークの3種類のモデルを個別に訓練しました。各モデルは異なる特徴パターンを補完的に捉えており、これらを組み合わせて予測精度を最大化したいと考えています。各モデルの予測をメタ学習器への入力として使い最適な組み合わせ重みをデータから自動学習する手法として最も適切なものはどれですか。
Aバギング（Bagging）：ブートストラップサンプルで同一アルゴリズムの複数モデルを並列訓練して予測の平均またはボーティングで分散を低減する
バギング（Bagging）はRandom Forest自体が実装している手法で、ブートストラップサンプルで同一アルゴリズムの複数モデルを並列訓練して予測の分散を低減する。ランダムフォレスト・XGBoost・NNという異なるアルゴリズムを組み合わせてメタ学習器を訓練するシナリオには対応しておらず、本ユースケースには不適切。
Bスタッキング（Stacking）：ベースモデルの予測をメタ特徴量としてメタ学習器に入力し最適な組み合わせをデータから学習する
✓ 正解
スタッキング（Stacking）は第1層のベースモデル（RF・XGBoost・NN）の予測を第2層のメタ学習器の入力特徴量とし、各モデルへの最適な重みをデータから自動学習する。多様なアルゴリズムの組み合わせ精度を最大化したいシナリオに最も適した正しい選択。
Cブースティング（Boosting）：弱学習器を逐次的に積み重ね前モデルの残差を補正しながら加重和で最終予測を生成する
ブースティング（Boosting）はXGBoostやAdaBoostが採用する逐次訓練手法で、弱学習器を積み重ねて前モデルの残差を補正していく内部改善アプローチ。既に個別に訓練済みのRF・XGBoost・NNを後から組み合わせてメタ学習器を訓練する用途には設計されていない。
D投票アンサンブル（Voting）：複数モデルの出力を均等重みまたは事前設定の固定重みで多数決・加重平均して最終予測を得る
投票アンサンブル（Voting）は均等または事前定義の固定重みで複数モデルの予測を集約する手法。各モデルの貢献度をデータから自動学習するメタ学習器を訓練する仕組みがなく、最適な組み合わせ重みをデータから自動獲得するという本シナリオの要件を満たせない。
解説
スタッキング（Stacking）は、複数のベースモデル（第1層）の予測出力を「メタ特徴量」として、別のメタ学習器（第2層）に学習させる高度なアンサンブル手法です。
主な特徴：
①異なるアルゴリズム（RF・XGBoost・NN）の混在した異種モデルの組み合わせが可能
②メタ学習器がデータから各ベースモデルへの最適な重み付けを自動学習
③通常は交差検証で生成したout-of-fold予測をメタ特徴量として使用しデータリークを防止
バギングやブースティングが単一アルゴリズムを内部改善する手法である一方、スタッキングは訓練済みの多様なモデルを統合する用途に最適です。
選択肢AのバギングはRandom Forest自体の基盤技術で同一アルゴリズムの複数モデルを対象としており、異種モデルの予測をメタ学習器で組み合わせる機能はない。
選択肢CのブースティングはXGBoost等の基盤となる逐次訓練手法で、既存の異なるモデルを組み合わせる用途ではない。
選択肢Dの投票アンサンブルは固定の重みで集約するためデータから最適重みを学習するという要件を満たさない。
ドメイン別正答率・予想スコアでリアルタイムに実力把握
無限ノックでMLAを徹底対策。全問AI生成のオリジナル問題。
無料で演習を始める →