「ブースティング」という言葉を検索すると、機械学習の専門用語としての説明と、オンラインゲームでのランク上げ行為としての説明の両方が出てきて戸惑う方が多いと思います。
本記事では、主に機械学習におけるブースティングを中心に、仕組み・代表的な手法・似た手法との違い・ビジネスでの活用例を丁寧に解説しつつ、最後にゲームでの意味も整理いたします。
ブースティングとは何か？まずは全体像を整理
そもそも「boost（ブースト）」の一般的な意味
英語の「boost」は、「押し上げる」「増強する」といった意味を持つ単語です。
そこから転じて、コンピューターの世界では「性能を高める」「スコアを引き上げる」といった文脈で使われます。
機械学習・ゲームでの「ブースティング」の違い
現在よく使われる「ブースティング」には、主に次の2つの意味があります。
機械学習のブースティング
複数の「弱い」予測モデル（弱学習器）を組み合わせて、1つの「強い」予測モデル（強学習器）を作るアンサンブル学習手法の一種です。
ゲームにおけるブースティング
自分より実力の高いプレイヤーやチーターと組み、ランクマッチで意図的にランクやポイントを引き上げてもらう行為を指します。多くのゲームコミュニティでモラル違反・場合によっては規約違反とされています。
本記事では、機械学習のブースティングをメインに解説し、後半でゲーム文脈も整理いたします。
機械学習におけるブースティングの基本
弱学習器と強学習器とは
ブースティングを理解するうえで重要なキーワードが、弱学習器（weak learner）と強学習器（strong learner）です。
弱学習器
単体ではあまり賢くないモデル
たとえば「1本だけの浅い決定木（スタンプ）」のように、予測精度は少しだけランダムよりマシ、という程度の学習器を指します。
強学習器
現実のデータに対して十分に高い精度で予測できるモデル
複数の弱学習器をうまく組み合わせて作られます。
ブースティングは、「多数の素朴な意見をうまくまとめて、一人の優れた専門家レベルの予測に仕上げる」イメージの手法です。
なぜ複数の弱学習器を組み合わせると精度が上がるのか
直感的には、次のように考えるとわかりやすくなります。
1人だけの専門家（＝単一の複雑なモデル）にすべてを任せると、
ある特定のパターンには強いが、
他のパターンには弱く、
また過学習（訓練データにだけ過度に適合）するリスクもあります。
一方で、
「少しだけ当たる」レベルの弱学習器をたくさん集め、
それぞれ得意な部分を分担させて、
重み付きで多数決をとるようにすれば、
全体としてはかなり高い精度が出せます。
ブースティングでは、単に「多数決」をとるだけでなく、前のモデルが苦手だったデータに次のモデルを重点的に学習させていくことで、徐々に弱点を補い合う仕組みになっています。
ブースティングの学習の流れ（ステップ別イメージ）
代表的なブースティングの流れを、数式を使わずにステップで説明します。
最初の弱学習器をつくる
まずはすべての訓練データを同じ重要度として扱い、シンプルなモデル（浅い決定木など）を学習させます。
誤分類したデータに注目して重みを変える
そのモデルが「間違えたデータ」に対して重みを高め、「正しく当てたデータ」の重みを下げます。
つまり、「次はここをもっと真剣に学習しよう」という印を付けるイメージです。
次の弱学習器を学習させる
重み付けされたデータを使って、2つ目のモデルを学習させます。
このモデルは、前のモデルが苦手だったデータを、よりうまく扱えるように学習します。
このステップを何度も繰り返す
3つ目、4つ目…と弱学習器を追加し、そのたびに間違いを補うようにモデルを更新していきます。
最終的な予測は、すべての弱学習器の「重み付き合算」
それぞれの弱学習器に重み（信頼度）を付けて、その出力を足し合わせることで、最終的な予測（強学習器）を得ます。
このように、ブースティングは「前のモデルの失敗を、次のモデルで学び直していく」という、反復的な改善プロセスになっています。
代表的なブースティング手法と特徴
ブースティングにはさまざまなバリエーションがありますが、代表的なものを簡単に整理します。
AdaBoost（アダブースト）
AdaBoost（Adaptive Boosting）は、ブースティングの中でも最も有名な手法の一つで、「誤分類されたデータの重みを大きくしながら学習を繰り返す」手法です。
特徴をまとめると次のとおりです。
誤分類データの重みを増やすことで、その部分を重点的に学習
単純な弱学習器（1段の決定木など）でも、高い性能を引き出せる
ノイズ（ラベルが間違っているデータ）が多いと、そこに過度に反応してしまうことがある
勾配ブースティング（Gradient Boosting）
勾配ブースティングは、損失関数（予測誤差を表す関数）を少しずつ最小化していくために、「勾配降下法」という最適化手法の考え方をブースティングに取り入れたものです。
各ステップで、「前までのモデルの誤差」を新しい決定木で近似していく
その結果、誤差が段階的に小さくなる方向にモデルが更新されていく
回帰（数値予測）・分類のどちらにも広く使われます
XGBoost・LightGBMなど実務で使われる実装例
近年の実務では、勾配ブースティングを高効率に実装したライブラリが多く使われています。
代表的なものとしては、次のようなライブラリがあります。
XGBoost
高速・高精度で、Kaggleなどの機械学習コンペでも定番
欠損値の扱いや正則化など、実務でうれしい機能が充実
LightGBM
大規模データでも高速に学習できるように工夫されたライブラリ
メモリ消費を抑えながら高精度なモデルを構築可能
CatBoost など
カテゴリ変数の扱いに強みを持つ実装も存在します
理論的な考え方は勾配ブースティングに近く、「勾配ブースティングの高機能実装」として位置づけるとイメージしやすいです。
バギング・ランダムフォレストとの違い
ブースティングとよく比較されるのが、バギング（Bagging）とランダムフォレストです。
バギングとの違い（並列 vs 逐次）
バギング（Bagging）
「bootstrap aggregating」の略
データをランダムにサンプリングして複数のモデルを並列に学習し、その結果を平均・多数決でまとめる手法です。
ブースティング（Boosting）
モデルを逐次的（順番）に学習し、前のモデルの誤りを次のモデルが補う手法です。
ポイントを整理すると：
バギング：
並列に多数のモデルを作り、「ばらつき（バリアンス）」を減らすのが得意
ブースティング：
逐次的にモデルを重ね、「偏り（バイアス）」も含めて精度を高めるのが得意
ランダムフォレストとの比較と使い分けの目安
ランダムフォレストは、「バギング＋決定木＋特徴量のランダム選択」を組み合わせたアンサンブル手法です。IBM
ざっくりとした使い分けの目安は次のとおりです。
ランダムフォレスト
初期探索やベースラインモデルに向く
パラメータ調整をしなくても安定してそこそこの性能が出やすい
ブースティング（特に勾配ブースティング系）
調整すれば非常に高い精度が出やすく、コンペなどで好まれる
その分、パラメータ調整や過学習への注意が必要
実務では、まずランダムフォレストなどでざっくりとした傾向を掴み、精度がより重要な局面ではXGBoostやLightGBMに切り替える、といった使い方がよく行われます。
ブースティングのメリット・デメリット
メリット：高精度・柔軟性の高さ
ブースティングには、次のようなメリットがあります。
複雑な非線形関係も捉えやすく、一般に高い予測精度を出しやすい
特徴量のスケーリング（標準化）にあまり敏感ではない
いろいろな損失関数に対応でき、回帰・分類どちらにも使える
デメリット：過学習・計算コスト・解釈性の低さ
一方で、注意すべきデメリットもあります。
モデルを重ねるほど複雑になり、過学習しやすい
ランダムフォレストなどに比べて、パラメータ調整が難しい場合がある
多数の決定木を組み合わせるため、「なぜそう予測したのか」の直感的な説明が難しい
そのため、実務ではクロスバリデーションやテストデータでの検証・説明可能性の補完（SHAP値など）を組み合わせて使うことが一般的です。
ビジネス現場でのブースティング活用例
ブースティング系の手法は、ビジネスのさまざまな場面で利用されています。
需要予測・売上予測
過去の販売データ、季節性、キャンペーン情報などを特徴量として、
将来の販売数や売上を予測するモデルに活用されます。
顧客の離反予測・スコアリング
顧客の利用履歴や属性情報をもとに、
「解約する可能性が高い顧客」や
「アップセルの反応が期待できる顧客」
をスコアリングする用途でも、勾配ブースティング系モデルはよく利用されています。
レコメンド・ランキングへの応用
ECサイトやコンテンツプラットフォームでは、
クリック履歴・閲覧履歴・ユーザー属性などを特徴量として、
「表示順位をどのように並べるか（ランキング）」を学習するモデルにブースティング系アルゴリズムが使われることがあります。
このように、「いろいろな特徴量をまとめて扱い、複雑なパターンを学習したい」場面で、ブースティングは非常に力を発揮します。
ゲームにおける「ブースティング」とは
ここからは、ゲーム文脈での「ブースティング」の意味を簡単に整理します。
ランク上げ代行としてのブースティング
オンライン対戦ゲーム、とくにランクマッチのあるタイトルでは、次のような行為が「ブースティング」と呼ばれます。
自分よりはるかに上手いプレイヤーとパーティを組み、
その人の実力のおかげで勝ち続け、
自分のランクやレートを人為的に引き上げてもらう
ときにはチートユーザーに依頼したり、対価を支払ってランクを上げてもらうケースもある
これにより、本来の実力以上のランクがプロフィールに表示されることになります。
なぜ問題視されるのか（公平性・コミュニティへの悪影響）
ブースティングが問題視される理由として、次の点が挙げられます。
実力に見合わないランクのプレイヤーが混ざることで、マッチングの公平性が損なわれる
ブースティングされたプレイヤーと同じチームになった他のプレイヤーが不公平感・ストレスを感じる
チーターと組む場合、チート行為を間接的に助長することになる
また、ゲームによってはアカウント共有やランク代行を規約違反として明確に禁止している場合があります。発覚した場合、アカウント停止などの処分が下されることもあるため、注意が必要です。
Boosting will get you banned, yes.
— Conor Ford / Hideouts (@RSPN_Hideouts) August 31, 2020
ゲームの公平性を損なうプレイについて pic.twitter.com/yEJrAejzP1
— VALORANT // JAPAN (@VALORANTjp) September 29, 2021
G検定・資格試験対策：ここだけは押さえたいポイント
最後に、G検定などの試験対策として、ブースティングのポイントをコンパクトに整理します。
一文で言える定義テンプレート
ブースティングとは、精度があまり高くない弱学習器を複数、逐次的に学習させて組み合わせ、1つの強い学習器を作るアンサンブル学習の手法である。Amazon Web Services, Inc.+2IBM+2
この一文を、ほぼそのまま説明できれば十分です。
頻出の比較ポイント（バギング・ランダムフォレスト）
バギング
複数のモデルを並列に学習
主に「ばらつき（バリアンス）」を抑える
ブースティング
モデルを逐次的に学習し、前の誤りを補う
「偏り（バイアス）」も含めて精度を高める
ランダムフォレストは「バギング＋決定木＋特徴量のランダム選択」として位置づけておけば、整理しやすくなります。IBM+1
用語の覚え方・確認問題
覚え方の一例：
Boost（後押し） → 「弱い学習器を後押しして、強くしていくイメージ」
Bag（袋） → 「データをランダムサンプリングして袋詰めし、並列に学習」
自分で確認したいチェック項目：
ブースティングの定義を自分の言葉で説明できるか
「弱学習器」「強学習器」という用語の意味を説明できるか
バギング・ランダムフォレストとの違いを一言で言えるか
XGBoostやLightGBMが、勾配ブースティングの実装例であると理解しているか
まとめ：ブースティングを一言で言うと？
最後に、本記事の内容を一言でまとめると次のようになります。
ブースティングとは、前のモデルの失敗から学びながら弱学習器を次々に積み重ね、最終的に高精度な予測モデルを作り上げる、機械学習のアンサンブル手法です。
あわせて、ゲームにおけるブースティングは「他人の力を借りてランクを不正に引き上げる行為」という、まったく別の意味であることも整理しておくと、今後ニュースや記事を読んだときにも混乱しにくくなります。