弱い学習者: 口語的に、単純なモデルよりもわずかに優れたパフォーマンスを発揮するモデル。
より正式には、この概念はマルチクラス分類に一般化されており、50% を超える精度を超える別の意味を持っています。
バイナリ分類の場合、弱学習器の正確な要件は、ランダムな推測よりも優れていることがよく知られています。[...] ベース学習者がランダムな推測よりも優れていることを要求することは、マルチクラスの問題には弱すぎることに注意してください。ただし、50% を超える精度を要求することは厳しすぎます。
- 46 ページ、アンサンブル メソッド、2012 年。
これは、ランダムな推測よりも優れたパフォーマンスを発揮する、学習可能性が弱い学習方法のクラスを提案する正式な計算学習理論に基づいています。弱い学習可能性は、より望ましい強い学習可能性を単純化したものとして提案されています。この場合、学習可能なものは任意の良好な分類精度を達成します。
弱い学習可能性と呼ばれる学習可能性のより弱いモデルは、学習者が任意に高い精度を達成できるという要件を取り除きます。弱い学習アルゴリズムは、ランダムな推測よりも (逆多項式によって) パフォーマンスがわずかに優れている仮説を出力するだけで済みます。
- 弱い学習可能性の強さ、1990 年。
これは、アンサンブル学習アルゴリズムの貢献メンバーの機能を説明するためによく使用されるため、便利な概念です。たとえば、ブートストラップ アグリゲーションのメンバーは、少なくとも用語の口語的な意味では、強い学習者ではなく、弱い学習者と呼ばれることがあります。
より具体的には、弱学習器は、アンサンブル学習アルゴリズムのブースティング クラスの基礎です。
ブースティングという用語は、弱い学習者を強い学習者に変換できるアルゴリズムのファミリーを指します。
https://machinelearningmastery.com/strong-learners-vs-weak-learners-for-ensemble-learning/