解答：
①予測器を連続的に学習させる際に誤ったサンプルに対するペナルティを高くすることで,予測精度を高めるように学習する手法のこと.
理由: ブースティングは、弱い予測器（弱学習器）を連続的に学習させ、それぞれの予測器が前の予測器の誤りに注目して学習する手法です。具体的には、誤った予測をしたサンプルに対する重みを増やすことで、次の予測器がそれらの難しいサンプルをより正確に予測できるようにします。これにより、全体の予測精度を高めることができます。その他の選択肢は、ブースティングの特徴とは異なります。
② 予測器を個別に学習させ,その中で最も予測精度の高い予測器のみを採用する手法のこと.
- これは「モデル選択」に関する説明です。複数のモデルを学習させ、その中で最も精度の高いモデルを選んで使用する手法です。
③ 予測器を連続的に学習させる際に正解したサンプルのみを繰り返し用いることで,予測精度を高めるように学習する手法のこと.
- これは「ブースティング」でも「バギング」でもない手法であり、正確な学習方法の説明には当てはまりません。実際のブースティングでは、誤りのあったサンプルに重みを増やすことで学習します。
④ 予測器を個別に学習させ,各予測器の出力を平均もしくは多数決で決める手法のこと.
- これは「バギング（Bagging）」または「アンサンブル学習」の一部の手法に関する説明です。バギングでは複数のモデルを独立に学習させ、その結果を平均したり多数決を取ったりして最終予測を行います。アンサンブル学習の一つの形態でもあります。
