30秒でわかる要点
複数の決定木を組み合わせたアンサンブル学習手法。各決定木がランダムにサンプリングしたデータと特徴量で学習し、多数決で最終予測を行う。過学習に強い。
「ランダムフォレスト」の練習問題
当サイトの練習問題から、この用語に関係する問題をピックアップしました。
Q1ランダムフォレスト（Random Forest）が過学習を防ぐメカニズムについて最も適切なものはどれか。
- 複数の決定木を異なるデータサンプルで訓練し、予測を投票で統合することで分散を削減する
- 単一の深い決定木で全データを訓練する
- 木の数に制限がなく、必ずパラメータ選択される
- 過学習防止は機械学習では不要
答えと解説を見る
正解：A
ランダムフォレストはバギングを使用。ブートストラップサンプリングで異なるデータセットに複数の決定木を訓練し、投票で最終予測。個々の木は過学習しても、多数決で汎化性能が向上。B、C、Dは誤り。
Q2ランダムフォレスト（Random Forest）の特徴として最も重要なのはどれか。
- バギングで複数の決定木を訓練し、各ノード分割で特徴量をランダムに制限することで、木の相関を低減し精度を向上させる
- 単一決定木を使用する
- 逐次的に訓練される
- 特徴量は常にすべて使用される
答えと解説を見る
正解：A
ランダムフォレスト：バギング＋特徴ランダム選択。多様性向上。並列処理可。特徴重要度算出可。
機械学習の問題をまとめて解いて、理解を確かめましょう（無料・登録不要）。
機械学習の練習問題を解く