本発表ではクラス分類および回帰分析におけるアンサンブル学習に基づくモデルの適用範囲について議論する。回帰分析においては予測値のバイアスに注意する必要がある一方で適切な適用範囲を設定可能である。しかしクラス分類においては適用範囲が広く取られてしまう。そこで本研究ではアンサンブル学習とデータ密度を組み合わせた適用範囲の設定手法を提案する。データ密度に閾値を決め、新しいデータ周辺の密度がその値以下であればその予測値は信頼できない。閾値以上のデータのみアンサンブル学習によって求めた適用範囲により予測値の信頼性を検討する。まず数値シミュレーションデータを使用することでクラス分類においてアンサンブル学習に基づく適用範囲が広すぎることを示す。次に実際のデータを使用して提案手法の有効性を確認する。
