複数の決定木によるアンサンブル学習
「三人寄れば文殊の知恵」を機械学習で実現したものです。 複数の決定木を作り、それぞれの予測を多数決で組み合わせます。 単一の木よりも安定した、精度の高い予測が可能になります。
例:10本の木のうち7本が「クラス1」と予測したら、最終的な答えは「クラス1」になります。
各決定木は、訓練データからランダムにサンプリングしたデータで学習します。 これをブートストラップサンプリングと呼びます（重複ありでランダムに選ぶ）。
各木が異なるデータで学習することで、多様な視点を持つ木々が集まります。 これにより過学習を防ぎます。
1本の木の問題点: 訓練データに過剰に適合しやすい（過学習）。 少しデータが変わると予測が大きく変わることも。
複数の木の利点: 個々の木の間違いが平均化され、安定した予測に。 ノイズに強く、汎化性能が向上します。
キャンバスをクリックしてデータポイントを追加してください。クラス0とクラス1を切り替えながら入力できます。
📝 やること:
💡 ヒント: データは多様な配置にすると、ランダムフォレストの強みがよくわかります。
複数の決定木を作成し、多数決によって分類を行います。各木はデータのランダムサンプリング（ブートストラップ）で学習します。
📝 やること:
💡 ブートストラップサンプリングとは？
訓練データから重複を許してランダムにデータを選び出す方法です。 例えば、100個のデータから100個を選ぶとき、同じデータが何度も選ばれることがあります。 これにより、各木は少しずつ異なる「視点」でデータを学習します。
🌲 パラメータの選び方
学習したランダムフォレストで新しいデータを分類します。各木の予測を集約します。
📝 やること:
🗳️ 多数決の仕組み
例えば10本の木がある場合、各木が「クラス0」または「クラス1」と予測します。 7本が「クラス1」、3本が「クラス0」と予測したら、最終予測は「クラス1」になります。
💡 確信度: 投票が偏っているほど（例:9対1）、その予測に対する確信度が高いと言えます。
フォレストを構築してください
🎲 バギング（Bootstrap Aggregating）:
各決定木は訓練データからランダムにサンプリング（重複あり）したデータで学習します。
例: 100個のデータがあるとき、各木は100個をランダムに選びます（同じデータが複数回選ばれることもあります）。
🗳️ 多数決による予測:
すべての木の予測結果から、最も多く予測されたクラスを最終予測とします。
個々の木の誤りが平均化されるため、単一の木よりも安定した予測になります。
✨ なぜ効果的？
各木が異なるデータで学習するため、多様な「視点」を持った予測器が集まります。 これにより過学習を防ぎ、汎化性能が向上します。
データを追加してください
フォレストを構築してください