FujiCert

データ・DX

勾配ブースティングとは？

読み: こうばいぶーすてぃんぐ英語: Gradient Boosting更新日: 2026-06-26

弱いモデルを順番に追加し、前の誤りを補うように学習するアンサンブル手法です。

試験で問われるポイント

  • 表形式データの予測で高い性能を出すことがあります。
  • 過学習、学習率、木の深さなどの調整が重要です。
  • ランダムフォレストとの違いを押さえると理解しやすいです。

具体例

顧客属性や利用履歴から、解約確率や審査リスクを予測します。

混同しやすい点

  • どんなデータでも深層学習より必ず劣ると考える。
  • パラメータ調整や検証をせずに使う。

対応試験

DS検定G検定

関連する表記: 勾配ブースティング / Gradient Boosting / GBDT / XGBoost / LightGBM

関連問題で復習

G検定機械学習の概要・具体的手法

勾配ブースティング決定木（GBDT）の特徴として、最も適切なものはどれか。

関連用語

機械学習

データからパターンや規則を学び、予測や分類などに利用するAIの手法です。

評価指標

モデルの性能を測るための指標です。タスクや目的に合わせて適切な指標を選びます。

決定木

条件分岐を木の形で重ね、分類や回帰を行う機械学習モデルです。

FujiCertの用語解説は、各試験の公式問題ではなく、学習者が問題演習で つまずきやすい観点を整理した非公式の学習支援コンテンツです。