AI用語集
人工知能の完全辞典
多数決投票分類器（ハードボーティング）
最終的な予測が、独立した分類器のセットの中で最も多くの票を獲得したクラスとなる集約方法で、各モデルは等しい重みを持つ。
平均投票分類器（ソフトボーティング）
各分類器が各クラスに対して予測した確率の平均を計算し、最も高い確率を持つクラスが最終予測として選択される集約技術。
分類器の重み付け
投票システムにおいて、各分類器の個別の性能や特定のデータサブセットでの専門性に基づいて、異なる重みを割り当てる戦略。
モデルの異質性
組み合わせるモデルが異なるタイプ（例：決定木、SVM、ロジスティック回帰）でなければならないと定める投票分類器の基本原則で、エラーの相関を減らすため。
予測の集約
複数のモデルの出力を単一の最終予測に組み合わせるプロセスで、投票分類器の機能の中核をなす。
アンサンブル汎化誤差
未見のデータに対する結合モデルの誤差率で、投票のスムージング効果により、各個別の分類器の誤差より低いことが多い。
信頼度重み付き投票
ソフト投票の変種で、各分類器の重みが予測に対する信頼度（最大確率）に比例し、最も確実な予測を優先する。
コンドルセ投票分類器
データセット上の一連の対決で他のすべての分類器を打ち負かす分類器が勝者となる投票方法。
集約信頼度行列
各分類器の混合行列または出力確率を組み合わせ、アンサンブル全体の性能を評価し、共通の弱点を特定するための行列。
分類器の並列学習
アンサンブルの各モデルがデータセット全体に対して独立かつ同時に学習されるアプローチ。投票システムの計算時間を最適化する。
集約決定境界
各個別分類器の決定境界を組み合わせることで生じる複雑な決定境界。通常、より堅牢で過学習になりにくい。
相対多数決投票
絶対過半数（50%超）に達しなくても、最も多くの票を獲得したクラスが予測クラスとなる投票方式。厳密な多数決とは異なる。
アンサンブルにおけるバイアス-分散分析
投票が、高バイアス・低分散のモデルと低バイアス・高分散のモデルをどのように組み合わせて最適なトレードオフを達成するかを研究する分析。
投票メタ分類器
ベース分類器の予測を組み合わせる方法を学習する、より高レベルのモデル。単純な投票を超え、最適な重みや複雑な組み合わせルールを学習できる。
投票の安定性
入力データの小さな変動や個々の分類器のパラメータに対して、アンサンブルの最終的な予測がどれほど一貫性を保つかを測る指標。
動的閾値投票
多数決または加重投票における決定閾値が、確率分布や分類対象サンプルの難易度に応じて動的に調整される手法。
アンサンブル誤差分解
アンサンブルの総誤差を、バイアス誤差、分散誤差、および個々の分類器の誤差間の共分散に分解する数学的解析。