【翻訳】scikit-learn 0.18 User Guide 1.11. アンサンブルメソッド - Qiita

アンサンブル学習 の目標は、単一の推定器に対する汎用性/頑健性を向上させるために、与えられた学習アルゴリズムで構築されたいくつかの基本推定器の予測を組み合わせることです。 通常、アンサンブル学習は2つのファミリに区別されます。 平均化手法 は、いくつかの推定器を独立して作成し、それらの予測値を平均化することを原則としています。 平均して、結合された推定器は、その分散が減少するので、通常、単一の推定器よりも優れている。 例：バギング法、無作為化された木の森、... 対照的に、 ブースティング法 では、ベース推定器が順次構築され、結合推定器のバイアスを低減しようとする。 モチベーションはいくつかの弱いモデルを組み合わせて強力なアンサンブルを作り出すことです。 例：AdaBoost、勾配ツリーブースト、... 1.11.1. バギング メタ推定器 アンサンブルアルゴリズムでは、バギング法は、元の

[kent-where-the-light-is]

“max_samples と max_features はサブセットのサイズを（サンプルと特徴量の観点から）制御しますが、 bootstrap と bootstrap_features はサンプルと特徴量を置き換えるかどうかを制御します。使用可能なサンプルのサブセットを使用す