▼ もうちょっと詳しく

単独では弱い決定木をたくさん作って、前の決定木の間違いを次の決定木が補正する、という流れで段階的に強くしていく手法です。チームで補い合うスタイル。

実装としてはXGBoost、LightGBM、CatBoostといったライブラリが超有名で、Kaggle(機械学習コンペ)では長年の優勝請負人として君臨してきました。ディープラーニングが派手な領域以外では、いまもここが鉄板です。

▼ ちょっとだけ深い話

テーブルデータ(表形式のデータ)に対しては、ニューラルネットより勾配ブースティングのほうが強いケースが今も多いです。地味だけど現役。